基于放射学的机器学习在前列腺癌中淋巴结转移的诊断价值:系统性审查和元分析

科学领域:

• 医疗成像医学成像
• 在瘤学中使用人工智能
• 放射学 放射学是一门学科.

背景情况:

• 在前列腺癌 (PC) 中精确的淋巴结转移 (LNM) 的术前诊断仍然是一个临床挑战.
• 基于放射学的机器学习 (ML) 已经成为PC中LNM检测的潜在工具.
• 目前,关于这些ML模型诊断性能的系统证据有限.

研究的目的:

• 系统地评估基于放射学的ML模型的诊断准确性,用于PC中的LNM检测.
• 为ML在PC管理中的临床应用提供基于证据的支持.
• 为了比较不同成像模式和建模方法的性能.

主要方法:

• 在多个数据库 (Cochrane,PubMed,EMBASE,Web of Science) 进行了系统的文献搜索,截至2025年6月11日.
• 对灵敏度和特异性的元分析是使用两种混合效应模型进行的,包括通过成像模式和建模方法进行子组分析.
• 使用Radiomics质量评分 (RQS) 评估了偏差风险.

主要成果:

• 包括22项研究,分析了正子发射断层扫描/计算机断层扫描 (PET/CT) 和磁共振成像 (MRI) 放射学.
• 在验证组中,基于PET/CT的模型实现了0.89的聚合灵敏度和0.82的特异性,而基于MRI的模型显示了0.84的灵敏度和0.86.8的特异性.
• 深度学习 (DL) 模型表现出更高的性能,灵敏度为0.88和特异性为0.97.

结论:

• 基于放射学的ML模型显示了PC中LNM的有希望的诊断性能.
• 与传统的ML方法相比,深度学习模型具有更高的准确性.
• 通过多中心研究,标准化协议和外部验证进行进一步的研究对于提高模型通用性和临床实用性至关重要.