人工智能的诊断性能在肺上皮质检测的X射线图中:系统性审查和元分析

科学领域:

• 放射学和医学成像学 医学成像学
• 医疗保健中的人工智能
• 诊断准确性研究 诊断准确性研究

背景情况:

• 肺上皮质瘤的检测对于及时的患者管理至关重要.
• 现有的诊断方法可能在速度和准确性方面存在局限性.
• 人工智能为增强诊断能力提供了一种新的方法.

研究的目的:

• 系统地审查和分析AI算法的诊断准确性,以检测肺膜瘤.
• 为了比较深度学习与机器学习模型的性能.
• 确定影响AI诊断性能的因素.

主要方法:

• 系统地搜索在线数据库,截至2024年6月.
• 使用开放式元分析仪和STATA 17.0.0对14个基于人工智能的放射模型进行元分析.
• 计算了灵敏度,特异性,诊断几率比率 (DOR) 和曲线下的面积 (AUC);进行了元回归和子组分析.

主要成果:

• 人工智能模型显示,肺上皮膜的诊断准确度很高 (灵敏度:83.6%,特异性:92.9%,AUC:0.93,DOR:76).
• 深度学习模型的灵敏度 (83.7%) 比机器学习 (77%) 高,而机器学习的特异性更高 (98%).
• 研究中更大的样本大小与更好的特异性相关;没有检测到出版偏差.

结论:

• 人工智能算法是诊断肺炎的有效和准确工具.
• 人工智能的高性能提高了快速和精确检测的潜力,改善了患者的护理.
• 未来的研究应该专注于前性,多中心研究,采用更大的样本大小,以进一步验证人工智能模型.