在固体瘤中基于RECIST的放射性治疗反应评估的人工智能:对成像和报告衍生方法的系统审查

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 放射性瘤反应评估对于指导癌症治疗至关重要.
• 像RECIST (固体瘤响应评估标准) 这样的标准化标准至关重要.
• 人工智能为自动化和标准化这一评估提供了潜力.

研究的目的:

• 系统地审查和评估人工智能方法用于基于RECIST的响应评估在固体瘤.
• 为了比较图像衍生的与报告衍生的AI方法.
• 总结人工智能性能,协议和验证质量.

主要方法:

• 按照PRISMA指南进行系统审查.
• 搜索了主要的数据库 (Embase,MEDLINE,科学网,Scopus,科克兰图书馆).
• 包括使用人工智能进行RECIST评估的实体瘤研究 (2015-2025年),并通过参考标准验证.

主要成果:

• 确定了四项符合条件的研究:两项基于图像的研究和两项基于报告的研究.
• 基于报告的AI (DeepSeek-V3-0324,GatorTron) 显示出高准确度 (96.5%,89%) 和专家一致意见.
• 基于图像的AI (nnU-Net,3D U-Net) 显示出强大的细分和适度的分类协议 (κ=0.60).

结论:

• 基于AI的RECIST评估是可行的,可能会提高标准化和效率.
• 目前的证据有限且异质.
• 需要更大的,多中心的研究与外部验证临床采用.