在NSCLC中预测EGFR突变状态的机器学习方法:更新的系统性审查

科学领域:

• 医疗成像中的人工智能
• 在瘤学瘤学.
• 无线电学和深度学习

背景情况:

• 人工智能 (AI),特别是深度学习 (DL),越来越多地用于成像 (CT,PET/CT) 来预测非小细胞肺癌 (NSCLC) 中表皮生长因子受体 (EGFR) 突变状态.
• 通过整合复杂的特征和瘤微环境线索,DL模型比传统放射学具有潜在的优势.
• 临床采用DL模型受到数据要求,扫描协议变异和缺乏透明度的阻碍.

研究的目的:

• 系统地审查和评估DL和放射学模型在NSCLC中进行非侵入性EGFR突变预测的性能.
• 确定这些人工智能模型临床翻译的障碍.
• 建立未来多中心前性研究的基准.

主要方法:

• 根据PRISMA 2020指导方针进行了系统审查,搜索PubMed,科学网络和IEEE Xplore,查找2018-2024年的研究.
• 59项研究符合纳入标准;QUADAS-2被用于评估使用真实临床数据在8项研究中的偏见.
• 系统地提取了外部验证策略和绩效指标.

主要成果:

• 聚合的曲线下的内部面积 (AUC) 为放射学-ML的0.78和DL模型的0.84.
• 只有29%的研究报告了独立的外部验证,平均AUC下降到0.77,表明显著的域转移.
• 31%的研究显示存在偏差的高风险,主要是指数测试和患者选择.

结论:

• 虽然DL模型显示出强大的内部性能,但它们依赖单中心数据和有限的外部验证限制了它们作为独立临床工具的使用.
• 障碍包括数据异质性,缺乏外部验证以及有限的代码可用性.
• 未来的研究应侧重于多中心前性研究,联合学习和开放的数据共享,以确保可通用性并促进临床整合.