放射学,机器学习和深度学习用于 hippocampal sclerosis 的识别:一个系统的审查和诊断元分析

科学领域:

• 神经学 神经学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 海马硬化 (HS) 是叶 (TLE) 的关键病理,通常导致难以治疗的发作.
• 像EEG和MRI这样的传统诊断工具在准确识别HS时存在局限性.
• 人工智能 (AI) 和放射学为提高诊断精度提供了有希望的非侵入性方法.

研究的目的:

• 系统地审查和综合当前关于人工智能和放射学的研究,以改善TLE中HS的检测.
• 评估基于AI的模型在识别HS的诊断性能,HS是耐火性的常见原因.

主要方法:

• 在PubMed/Medline,Embase和Web of Science进行了系统的文献搜索,直到2024年5月,遵守PRISMA-DTA指南.
• 统计分析涉及将灵敏度和特异性结合起来,使用双变量模型来评估AI模型的性能.
• 使用I2统计数据评估异质性,使用STATA 14分析数据.

主要成果:

• 包括六项研究,显示在HS检测中AI模型的聚合灵敏度为0.91和特异性为0.9 (AUC=0.96).
• 单独使用人工智能模型可以实现更高的性能 (灵敏度:0.92,特异性:0.93) 与与放射学相结合的人工智能 (灵敏度:0.88,特异性:0.9) 相比.
• 支持矢量机 (SVM) 算法表现出最高的诊断准确度 (SEN:0.92,SPE:0.95),其次是CNN和LR.

结论:

• 人工智能模型,特别是SVM,在TLE中显示出HS检测的显著准确性.
• 单独的AI似乎比其与HS诊断的放射学相结合更有效.
• 将人工智能集成到诊断工作流程中可以促进早期检测和个性化管理,改善患者的治疗结果.