深度学习用于预测淋巴结转移的诊断准确性,基于胃癌中计算机断层扫描:系统性审查和元分析

科学领域:

• 医疗成像医学成像
• 在瘤学中使用人工智能
• 诊断准确性研究 诊断准确性研究

背景情况:

• 在胃癌 (GC) 中早期检测淋巴转移 (LNM) 对治疗计划至关重要.
• 对于LNM的传统诊断方法在有效性上有局限性.
• 深度学习 (DL) 模型显示了在计算机断层扫描 (CT) 扫描中改善LNM检测的潜力.

研究的目的:

• 系统地审查和元分析基于CT的DL模型在GC患者中检测LNM的诊断性能.
• 评估这些DL模型的准确性,异质性和临床实用性.
• 确定影响模型性能的因素,并建议未来的研究方向.

主要方法:

• 一个系统的审查和元分析,遵循PRISMA-DTA指南.
• 在PubMed,Embase和Web of Science数据库中搜索到2025年5月5日.
• 利用双变随机效应模型,将诊断性能指标 (AUC,灵敏度,特异性) 汇集在一起,并评估异质性和出版偏差.

主要成果:

• 分析了11项涉及5296名患者的研究.
• 基于DL特征的模型在内部验证中显示了高的AUC (0.91),但在外部验证中显示了较低的特异性 (0.59).
• 整合DL和放射性特征的模型显示了与增强的确认功率相似的性能; 临床实用性仅限于独立诊断.

结论:

• 基于CT的DL模型表现出高的诊断准确性,但受限于概括性,这表明过拟合.
• 显著的异质性,特别是特异性,表明单纯的技术标准化是不够的.
• 整合临床变量和进行前性多中心研究对于提高可重复性和临床应用至关重要.