人工智能技术在脑瘤诊断中的性能评估:系统性审查和元分析

科学领域:

• 医学成像和诊断 医学成像和诊断
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 大脑瘤由于各种表现和不良预后,存在诊断挑战,需要早期和准确的检测.
• 人工智能 (AI) 显示出提高诊断准确性的潜力,特别是通过磁共振成像 (MRI) 分析.
• 系统审查对于评估AI在复杂医疗领域的诊断性能至关重要.

研究的目的:

• 系统地审查人工智能技术的应用,通过MRI扫描诊断脑瘤.
• 为了比较各种AI算法的性能,检测和分类脑瘤,包括质瘤,脑膜瘤和垂体瘤.
• 评估AI模型在脑瘤诊断中的准确性,精度,回忆和F1分数.

主要方法:

• 在主要数据库 (PubMed,Embase,Web of Science,Cochrane Library,Scopus) 进行了系统的文献搜索,查找2000年至2024年2月期间发表的研究.
• 纳入标准要求研究使用MRI进行脑瘤检测/分类,并报告定义的性能指标 (精度,回忆,F1得分,准确性,敏感性,特异性).
• 对七篇选定的文章进行了元分析,使用诊断准确性研究质量评估-2 (QUADAS-2) 工具进行质量评估.

主要成果:

• 人工智能方法在MRI上显示大脑瘤的高诊断精度,整体F1得分从0.945到0.958不等,聚合精度为0.952.
• 卷积神经网络 (CNN) 和整体算法是表现最好的AI方法,CNN的F1得分略高 (0.953).
• 根据瘤类型 (质瘤:0.961,垂体瘤:0.955,脑膜瘤:0.950) 的准确性有所不同,瘤与非瘤分类的得分较低.

结论:

• 人工智能模型在使用MRI的脑瘤受控研究环境中实现了高诊断准确度.
• 瘤类型之间显著的异质性和性能变化表明广泛的临床概括性的局限性.
• 虽然CNN和整体算法对特定瘤显示一致的结果,但对于广泛的临床部署需要进一步的证据.