在使用人工神经网络模型进行癌症诊断的成像研究中评估报告的完整性:遵守TRIPOD-AI指南
Tayser Zoubi1, Samuel J White2, Shubham Tiwari1
1College of Medicine and Public Health, Flinders University, Adelaide, South Australia, Australia.
European journal of radiology
|March 3, 2026
概括
对用于癌症查的人工神经网络 (ANN) 研究的报告不完整,阻碍了可重现性. 改善报告标准和共享数据对于这些有前途的癌症预测工具的临床实施至关重要.
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
- 瘤学研究研究
背景情况:
- 人工神经网络 (ANN) 显示出癌症查和风险预测的前景,可能改善患者的治疗结果.
- 对方法的透明报告对于基于ANN的研究的可重复性至关重要.
- 本综述评估了ANN成像研究中癌症查和特征表征报告的完整性.
研究的目的:
- 评估放射学研究报告的完整性,利用人工神经网络 (ANN) 模型进行癌症查和表征.
- 在基于ANN的癌症成像研究中确定非最佳报告的领域.
主要方法:
- 分析使用新型或经过修改的ANN架构进行瘤查,诊断或分类的研究.
- 使用TRIPOD+AI检查清单评估报告的完整性.
主要成果:
- 分析了100项研究,其中适度遵守TRIPOD-AI检查清单 (平均69%).
- 对数据处理,缺失数据管理和外部验证 (<33%的研究) 的报告不频繁.
- 报告诊断绩效指标的异质性;敏感性,特异性和准确性是最常见的,但很少报告临床相关的结果.
结论:
- 不理想的报告实践限制了基于ANN的癌症放射学研究的可复制性.
- 强制遵守报告准则并促进代码/数据共享可以提高透明度.
- 强调临床相关的结果而不是统计性绩效指标对于临床实施至关重要.
