使用机器学习对基于图像的质瘤整体存活预测进行范围审查

科学领域:

• 神经瘤学神经瘤学
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 预测质瘤患者的生存率对于治疗规划至关重要.
• 瘤异质性和混因素在准确预测方面存在挑战.
• 图像和机器学习方面的进步提供了潜在的解决方案.

研究的目的:

• 系统地审查最先进的基于图像的整体存活率 (OS) 预测模型.
• 分析瘤特征,成像方式,预处理技术和机器学习方法.
• 确定影响这些模型准确性和临床实用性的因素.

主要方法:

• 范围审查按照乔安娜·布里格斯研究所的指导方针进行.
• 系统的文献搜索,从3238个记录中确定了70项相关研究.
• 数据提取侧重于成像技术,机器学习方法和预测性能.

主要成果:

• 大多数研究来自中国,美国和印度,平均数据集约为450例.
• 多模式核磁共振,T1加权对比增强核磁共振和等级特定分析改善了预测.
• 深度学习模型通常优于传统方法,但需要大型,平衡的数据集;混合模型显示不一致的结果.

结论:

• 模型准确性取决于数据质量和特征选择,而不仅仅是样本大小.
• 整合多种成像模式可以提高预测性能.
• 结合临床和成像数据对于临床可靠性至关重要,用于预测质瘤存活率.