在痕评估和管理中对人工智能应用进行系统审查

科学领域:

• 皮肤病学和生物医学工程
• 医学成像和人工智能 医学成像和人工智能
• 计算病理学计算病理学

背景情况:

• 过度缩和状痕是影响心理社会福祉的显著纤维扩散性疾病.
• 目前的痕评估工具,如温哥华痕量表 (VSS) 和患者和观察者痕评估量表 (POSAS),存在主观性和复制性不佳的问题.
• 人工智能 (AI),特别是卷积神经网络 (CNN),为客观痕评估提供了一个潜在的解决方案.

研究的目的:

• 系统地审查人工智能的应用,以评估过度缩性和质性痕.
• 分析AI模型类型,成像输入,性能指标,临床应用和翻译准备.
• 确定人工智能驱动的痕评估当前的趋势和挑战.

主要方法:

• 在主要的在线数据库中进行了符合PRISMA的系统文献搜索.
• 采用人工智能用于过度缩或 keloid 痕评估的同行评审研究被纳入;非人工智能,非英语和编辑文章被排除在外.
• 两个独立的审稿人对记录进行了选,实现了高的评审者间可靠性 (κ=0.94).

主要成果:

• 在1520个记录中,有24项研究符合纳入标准,主要使用CNN.
• 成像方法从智能手机摄影和皮肤镜到热成像和显微镜.
• 绩效指标差异很大,准确度在63%-98.5%之间. 在58%的研究中,外部验证显示性能下降,这表明过度装配.
• 较大的数据集和多式联络成像通常与性能改善相关.

结论:

• 基于CNN的AI模型使用移动或皮肤镜成像显示了客观高缩和 keloid 痕评估的潜力.
• 临床采用的重大障碍包括需要更广泛的外部验证,增强的模型解释性和无的监管整合.
• 专注于强大的验证和可解释的AI的进一步研究对于在痕管理中推进AI至关重要.