机器学习预测头部和部状细胞癌的外节延伸:系统性审查和元分析

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 额外节点延伸 (ENE) 是头部和部状细胞癌 (HNSCC) 的关键预后因素.
• 精确检测NEE对于治疗计划和患者的治疗结果至关重要.

研究的目的:

• 评估机器学习算法 (MLA) 的临床实用性和诊断性能,用于使用CT成像检测HNSCC中的ENE.
• 为了比较MLA与人类放射科医生的诊断准确度.

主要方法:

• 按照PRISMA的指导方针进行了系统的文献审查和元分析.
• 从多个数据库中选择了报告HNSCC中ENE的MLA诊断准确性的研究.
• 对MLA和放射科医生计算了包括AUC,灵敏度和特异性在内的诊断性能指标的聚合估计.

主要成果:

• 与放射科医生 (0.65) 相比,MLA在检测ENE时表现出明显更高的AUC (0.92) 聚合值.
• MLAs实现了66.9%-91.2%的综合灵敏度和72%-96.2%的特异性.
• 放射科医生的表现显示了24% - 96.0%的灵敏度范围和43.0% - 96.0%的特异性.

结论:

• 机器学习算法在预测HNSCC中的ENE方面表现出卓越的诊断性能.
• MLA显示出作为放射科医生的宝贵辅助工具的潜力,在临床实践中增强ENE检测.