相关实验视频
Updated: Sep 10, 2025
08:41
A MRI-Based Toolbox for Neurosurgical Planning in Nonhuman Primates
Published on: July 17, 2020
5.0K
关于神经外科人工智能的公开数据集:系统性审查
Bianca Chan1, Brandon Kim1, Ethan Schonfeld1,2
1Stanford Neurosurgical Artificial Intelligence and Machine Learning Laboratory, Stanford School of Medicine, Stanford University, Stanford, CA 94305, USA.
Journal of clinical medicine
|August 28, 2025
概括
人工智能 (AI) 的高质量神经外科数据集很少,特别是那些具有结果标签的数据集. 目前的人工智能模型缺乏外部验证和多样化的数据,阻碍了安全整合到临床实践中.
科学领域:
- 神经外科
- 人工智能
- 机器学习
- 医学成像
背景情况:
- 神经外科人工智能 (AI) 的发展依赖于广泛的,高质量的标记数据集.
- 由于神经外科数据标签所需的专业知识,创建此类数据集具有挑战性.
- 对现有数据集的全面概述对于识别差距和指导未来数据收集工作至关重要.
研究的目的:
- 系统地审查和描述公共可用的神经外科数据集,适用于机器学习应用.
- 确定当前数据集的局限性及其对神经外科人工智能模型开发和验证的影响.
- 为未来数据集开发提供建议,以加强神经外科护理中的人工智能整合.
主要方法:
- 根据PRISMA的指导方针进行了系统的文献审查.
- 在2025年2月8日搜索了PubMed,发现了267篇文章,其中86篇符合纳入标准.
- 提取的数据包括数据集特征,模型开发,验证,可用性和引用影响.
主要成果:
- 大多数研究 (83. 7%) 集中在脊柱病理上,仅限于瘤,血管或创伤病例.
- 图像方式包括X射线 (37.2%),MRI (29.1%) 和CT (20.9%).
- 标签类型主要是细分 (36.0%) 和诊断 (26.7%),结果标签很少 (2.3%).
- 外部验证仅在22. 6%的研究中报告,代码共享在20. 2%,公共应用在7. 1%.
- 准确度是最常见的指标,即使对于细分任务,也经常使用低于最佳的评估指标.
结论:
- 公开可用的神经外科数据集严重偏向于脊柱成像, 缺乏必要的临床和结果数据.
- 现有的人工智能模型受到外部验证不足,可复制性差以及不适当的评估指标的限制.
- 未来的努力必须集中在创建多样化,多机构的数据集与结果标签和验证的模型,以确保安全的AI整合在神经外科.
