用深度学习技术诊断胰腺癌的方法:一项综述和分析

科学领域:

• 在瘤学中使用人工智能
• 医学成像和诊断
• 计算病理学

背景情况:

• 胰腺管腺癌 (PDAC) 的诊断往往由于非特异性症状而延迟,从而限制了手术选择.
• 传统的胰腺癌诊断方法在早期检测方面存在局限性.
• 深度学习 (DL) 提供了通过先进的计算分析改进早期PC诊断的潜力.

研究的目的:

• 对早期胰腺癌的基于深度学习 (DL) 的诊断方法进行审查和总结.
• 确定DL在早期PC检测中的未来研究方向.
• 在PC中评估DL算法的诊断性能.

主要方法:

• 按照PRISMA-ScR指南进行系统审查,搜索过去5年的主要数据库.
• 纳入标准:PDAC患者,DL用于诊断,基因病理作为参考,数据充足.
• 使用 QUADAS-2 进行质量评估和使用 StataMP 17 进行统计分析.

主要成果:

• 深度学习 (DL) 在早期胰腺癌 (PC) 诊断中取得了高准确率 (80% - 98.9%).
• 综合敏感性和特异性为0. 92,AUC为0. 97,表明诊断性能强.
• 内视超声波 (EUS) 和CE-CT是关键的成像方法;非成像DL方法 (尿液标志物,疾病轨迹) 也显示出前景.

结论:

• 人工智能 (AI) 在胰腺癌风险预测和诊断方面具有显著的临床指导潜力.
• 未来的研究应侧重于多模式数据集成 (基因组学,生物标志物),多中心研究和可解释的人工智能.
• 解决诊断小胰腺癌的挑战和提高人工智能模型的解释性对于临床翻译至关重要.