机器学习和深度学习算法用于甲状腺癌转移的诊断性能:系统性审查和元分析
Mohammad Amouzadeh Lichahi1, Saeed Anvari2, Hossein Hemmati3
1Student Research Committee, School of Medicine, Anzali International Campus, Guilan University of Medical Sciences, Rasht, Iran.
BMC medical informatics and decision making
|December 9, 2025
概括
人工智能 (AI) 模型在检测甲状腺癌转移方面表现有前途. 机器学习 (ML) 和深度学习 (DL) 算法为临床决策提供了支持工具.
科学领域:
- 在瘤学瘤学.
- 医学诊断 医学诊断 医学诊断
- 人工智能的人工智能
背景情况:
- 转移显著影响甲状腺癌的预后,特别是在乳头甲状腺癌.
- 人工智能 (AI),机器学习 (ML) 和深度学习 (DL) 是早期转移检测的新兴工具.
- 这项研究系统地审查了AI在甲状腺癌转移检测中的诊断性能.
研究的目的:
- 评估ML和DL算法用于检测甲状腺癌转移的诊断性能.
- 评估人工智能模型在识别转移性甲状腺癌方面的准确性,敏感性和特异性.
- 探索AI作为甲状腺癌临床决策中的支持性工具的潜力.
主要方法:
- 在2025年7月1日之前对研究进行系统审查和元分析.
- 包括的研究使用了成年甲状腺癌患者转移的诊断模型.
- 关键指标:AUC-ROC,灵敏度,特异性,DOR;使用异质性和子组分析进行分析.
主要成果:
- 分析了35项包含162个估计结果的研究.
- 聚合灵敏度:0.747,特异性:0.746,DOR:9.45,AUC-ROC:0.818. 这是一个很大的问题.
- ML模型的性能略高于DL模型;在远程转移检测方面,高准确度.
结论:
- ML和DL算法显示了甲状腺癌转移的良好诊断性能.
- 人工智能工具可以补充瘤实践中的现有诊断方法.
- 鼓励进一步的研究,以改进和整合人工智能方法到常规的临床使用.
