机器学习在检测肝细胞癌中封装瘤集群的血管中的有效性:系统性审查和元分析
Huili Shui1,2,3, Wenyu Wu1,2,3, Zhenming Xie1,2,3
1Guizhou University of Traditional Chinese Medicine, Guiyang, Guizhou Province, China.
Journal of medical Internet research
|January 14, 2026
概括
机器学习显示了在肝细胞癌 (HCC) 中检测封装瘤集群的血管 (VETC) 的前景. 然而,目前的模型需要在临床使用之前进一步验证和标准化,因为方法异质和偏见.
科学领域:
- 肝细胞癌研究 肝细胞癌研究
- 医学成像分析 医学成像分析
- 在瘤学中使用人工智能
背景情况:
- 封装瘤集群的血管 (VETC) 与肝细胞癌 (HCC) 的预后不佳有关.
- 早期和准确的VETC识别至关重要,但仍然是一个临床挑战.
- 机器学习 (ML) 模型显示出VETC检测的潜力,但缺乏对其诊断准确性的系统验证.
研究的目的:
- 系统评估机器学习模型的诊断准确性,以检测HCC患者的VETC.
- 解决关于ML在HCCVETC诊断中的有效性的证据缺口.
- 为ML在VETC检测方面的潜力提供定量证据.
主要方法:
- 进行了使用ML模型进行HCC VETC诊断的研究的元分析.
- 在主要数据库 (PubMed,Embase,Web of Science,Cochrane Library) 中进行了搜索.
- 使用预测模型偏差风险评估工具评估偏差风险;用于元分析,使用了两种混合效应模型.
主要成果:
- 分析包括31项研究,涉及6755名HCC患者.
- 非放射性ML模型显示了0.72的聚合灵敏度和0.74的特异性 (SROC AUC0.80).
- 放射性模型 (包括深度学习) 显示了较高的聚合灵敏度 (0.81) 和类似的特异性 (0.73) (SROC AUC 0.84).
结论:
- 这一元分析提供了对用于HCC VETC检测的ML模型的首次定量评估.
- 虽然有希望,但ML模型尚未准备好用于临床翻译,原因是异质性,有限的验证和偏差.
- 未来的研究应该优先考虑多中心,标准化和临床进步的前性研究.
关键词:
在VETC中,我们可以看到.这种癌症是癌症癌症.肝细胞细胞肝细胞细胞肝细胞癌是肝细胞癌.机器学习是机器学习.无线电学 (radiomics) 是一种无线电学.灵敏度 灵敏度 灵敏度 灵敏度 灵敏度特殊性的特异性这些血管封装了瘤集群.更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
7.4K
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
490