放射学和深度学习模型在软组织肉瘤中预测远程转移的表现:系统性审查和元分析

科学领域:

• 医疗成像医学成像
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 在软组织肉瘤 (STS) 中预测远程转移对于患者管理至关重要.
• 放射学和深度学习 (DL) 模型为转移预测提供了潜力,但它们的准确性需要评估.

研究的目的:

• 评估放射学和DL模型在预测STS转移中的诊断性能.
• 分析这些预测模型的聚合灵敏度和特异性.

主要方法:

• 根据PRISMA指南进行的元分析,搜索PubMed,科学网和Embase.
• 随机效应模型用于估计聚合的AUC,灵敏度和特异性.
• 基于成像方式,特征提取 (DL与手工制作) 和临床特征的子组分析.

主要成果:

• 包括19项研究 (1712名患者);转移预测的AUC是0.88.
• 基于DL的放射学模型的灵敏度明显高于手工制作的放射学模型 (p < 0.01).
• 在包括临床特征时,没有观察到显著的性能差异 (AUC:0.90对比0.88,p=0.99).

结论:

• 放射学模型,特别是DL方法,显示出预测STS转移的巨大潜力.
• 这些模型可以帮助临床医生识别高风险患者进行有针对性的监测.
• 需要进一步的研究来解决异质性,外部验证和标准化临床整合协议.