基于辐射的机器学习分类器用于预测口腔癌中的HPV状态:系统性审查和元分析

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 口腔支状细胞癌 (OPSCC) 与人类乳头瘤病毒 (HPV) 感染密切相关.
• 准确的HPV状态预测对于OPSCC治疗分层和预后至关重要.
• 放射学和机器学习 (ML) 为确定HPV状态提供了潜在的非侵入性方法.

研究的目的:

• 系统地审查和综合基于放射性ML模型的证据,以预测OPSCC中的HPV状态.
• 评估这些模型的可靠性,方法质量和临床适用性.
• 发现当前研究中的差距,并指导未来的调查.

主要方法:

• 按照PRISMA 2020指南进行系统审查,在PROSPERO.中注册.
• 用于定义审查问题的PICOS框架:"基于放射性ML模型可以准确预测OPSCC中的HPV状态吗?"
• 电子和灰色文学数据库的全面搜索.
• 包括回顾性队列研究,评估HPV预测的放射学.
• 使用PROBAST工具进行偏差风险评估.
• 基于成像模式,ML架构和外部验证的数据合成.
• 对外部验证模型进行的元分析.

主要成果:

• 分析了24项涉及8627名患者的研究.
• 常见的成像方式包括CT,MRI,CE-CT和18F-FDG PET.
• 广泛使用的ML模型是后勤回归,随机森林,XGBoost和CNNs.
• 大多数数据集都表现出阶级不平衡,HPV+病例占主导地位.
• 只有八项研究报告了外部验证.
• AUROC值差异很大,从0.59到0.87 (内部) 和0.48到0.91 (外部).
• 偏差的高风险普遍存在,通常是由于p16-only测试,样本规模不足或处理类失衡不善.
• 深度学习模型表现出适度的性能 (灵敏度:0.61;特异性:0.65),具有显著的异质性.
• 传统的ML模型显示出更高和更一致的性能 (灵敏度:0.72;特异性:0.77).

结论:

• 基于放射性ML模型具有预测OPSCC中的HPV状态的潜力.
• 目前,显著的方法异质性和高偏差风险阻碍了广泛的临床采用.
• 为了提高可靠性和临床适用性,需要进一步进行高质量的研究,并进行强有力的外部验证.