深度学习用于甲状腺结节的检测和细分的性能评估:系统性审查和元分析
Jiayu Ni1, Yue You1, Xiaohe Wu2
1Departement of Otolaryngology-Head and Neck Surgery, Affiliated Hospital of Hangzhou Normal University, No. 126, Wenzhou Road, Hangzhou, 310015, China, 86 15005812373.
Journal of medical Internet research
|August 14, 2025
概括
深度学习算法在诊断甲状腺结节 (TNs) 中显示出高精度,可能有助于临床医生. 需要进一步的研究来标准化方法并改善临床使用的验证.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 内分泌学 在内分泌学.
背景情况:
- 甲状腺癌的发病率正在上升,这给甲状腺结节 (TNs) 带来了诊断挑战.
- 良性和恶性TN的重叠成像特征使准确的诊断变得复杂.
- 人工智能 (AI),特别是深度学习 (DL),为TN检测提供了自动化解决方案.
研究的目的:
- 系统地审查和元分析DL算法在诊断TN恶性瘤中的性能.
- 确定影响DL诊断功效的因素.
- 将DL模型的准确性与临床医生的准确性进行比较.
主要方法:
- 在PubMed,Cochrane,Embase,Web of Science和IEEE数据库中进行系统搜索.
- 将41项符合条件的研究分类为细分 (n=14) 和检测 (n=27) 任务.
- 聚合灵敏度,特异性和AUC的计算;转移学习和临床医生比较的子组分析.
主要成果:
- 分区任务:聚合灵敏度82%,特异性95%,AUC为0.91.
- 检测任务:聚合灵敏度为91%,特异性为89%,AUC为0.96.
- DL模型的表现与临床医生相当或超过;转移学习提高了有效性.
结论:
- DL算法显示了TN成像的有希望的诊断准确性,作为潜在的辅助工具.
- 目前的研究存在方法上的局限性,数据质量不一致,验证不足.
- 未来的研究应该专注于标准化,可解释性和临床翻译的透明报告.
