早期胃癌不同人工智能模型的比较诊断准确性:系统性审查和元分析

科学领域:

• 医疗成像医学成像
• 医疗保健中的人工智能
• 在瘤学瘤学.

背景情况:

• 早期胃癌 (EGC) 诊断对于患者的预后至关重要.
• 传统的内镜诊断有局限性,并且严重依赖于医生的经验.
• 开发先进的诊断工具对于提高EGC检测率至关重要.

研究的目的:

• 为 EGC 综合评估人工智能 (AI) 模型的诊断准确性.
• 为了比较不同的AI模型在EGC诊断中的性能.
• 评估AI在克服传统内镜诊断局限性的潜力.

主要方法:

• 在多个数据库 (PubMed,Embase,Web of Science,Cochrane Library,CNKI) 进行系统的文献搜索,直到2025年1月.
• 在EGC诊断中包括报告AI模型敏感性和特异性的研究.
• 使用双变的随机效应模型进行元分析,以组合诊断性能指标 (灵敏度,特异性,AUC).

主要成果:

• 对26项研究 (43,088名患者) 的元分析显示,AI模型的准确性很高:总结灵敏度为0.90,特异性为0.92,AUC为0.96.
• 深层卷积神经网络 (DCNN) 与传统的CNN (0.89) 相比,显示出更高的灵敏度 (0.94).
• 人工智能模型在动态视频验证中达到0.98的AUC,表现优于临床医生 (AUC0.85-0.90).

结论:

• 人工智能模型,特别是DCNN,在诊断EGC时表现出极好的准确性.
• 人工智能为EGC提供了与传统诊断方法相比有前途的进步.
• 未来的研究应该专注于人工智能模型的解释性,动态性能和多中心验证.