Dijagnostička tačnost dubokog učenja i radiomike u stadiju karcinoma pluća: sistematski pregled i meta-analiza.
Frontiers in public health
Sažetak istraživanja
Pozadina Umjetna inteligencija je daleko nadmašila prethodne srodne tehnologije u prepoznavanju slika i sve se više koristi u medicinskoj analizi slika.
Cilj nam je bio istražiti dijagnostičku točnost modela zasnovanih na dubokom učenju ili radiomiku za stadijaciju raka pluća.
Metode Studije su sistematski pregledane korištenjem pretraživanja literature iz PubMed-a, EMBASE-a, Web of Science-a i Wanfang baze podataka, prema PRISMA smjernicama. Uključene su studije o dijagnostičkoj tačnosti radiomike i dubokog učenja, uključujući identifikaciju raka pluća, tipova tumora, malignih plućnih čvorova i metastaza u limfnim čvorovima. Nakon identifikacije članaka, metodološki kvalitet je procijenjen korištenjem QUADAS-2 kontrolne liste. Izdvojili smo karakteristike svake studije; osjetljivost, specifičnost i AUROC za dijagnozu raka pluća su sumirani za analizu podgrupa.
Rezultati Sistematski pregled je identifikovao 19 prihvatljivih studija, od kojih je 14 koristilo radiomičke modele i 5 koristilo modele dubokog učenja. Objedinjeni AUROC od 7 studija za određivanje da li pacijenti imaju rak pluća bio je 0,83 (95% CI 0,78-0,88). Objedinjeni AUROC od 9 studija za određivanje da li pacijenti imaju NSCLC bio je 0,78 (95% CI 0,73-0,83). Ukupni AUROC od 6 studija koje su utvrdile da pacijenti imaju maligne plućne čvorove bio je 0,79 (95% CI 0,77-0,82). Ukupni AUROC ostalih 6 studija koje su određivale da li pacijenti imaju metastaze u limfnim čvorovima bio je 0,74 (95% CI 0,66-0,82).
Zaključak Modeli zasnovani na dubokom učenju ili radiomici imaju potencijal da poboljšaju dijagnostičku tačnost za stadijum raka pluća. Registracija sistematskog pregleda https://inplasy.com/inplasy-2022-3-0167/, identifikator: INPLASY202230167.
Prikaži originalni naslov i sažetak na engleskom
Diagnostic Accuracy of Deep Learning and Radiomics in Lung Cancer Staging: A Systematic Review and Meta-Analysis.
Background Artificial intelligence has far surpassed previous related technologies in image recognition and is increasingly used in medical image analysis. We aimed to explore the diagnostic accuracy of the models based on deep learning or radiomics for lung cancer staging.
Methods Studies were systematically reviewed using literature searches from PubMed, EMBASE, Web of Science, and Wanfang Database, according to PRISMA guidelines. Studies about the diagnostic accuracy of radiomics and deep learning, including the identifications of lung cancer, tumor types, malignant lung nodules and lymph node metastase, were included. After identifying the articles, the methodological quality was assessed using the QUADAS-2 checklist. We extracted the characteristic of each study; the sensitivity, specificity, and AUROC for lung cancer diagnosis were summarized for subgroup analysis.
Results The systematic review identified 19 eligible studies, of which 14 used radiomics models and 5 used deep learning models. The pooled AUROC of 7 studies to determine whether patients had lung cancer was 0.83 (95% CI 0.78-0.88). The pooled AUROC of 9 studies to determine whether patients had NSCLC was 0.78 (95% CI 0.73-0.83). The pooled AUROC of the 6 studies that determined patients had malignant lung nodules was 0.79 (95% CI 0.77-0.82). The pooled AUROC of the other 6 studies that determined whether patients had lymph node metastases was 0.74 (95% CI 0.66-0.82).
Conclusion The models based on deep learning or radiomics have the potential to improve diagnostic accuracy for lung cancer staging. Systematic review registration https://inplasy.com/inplasy-2022-3-0167/, identifier: INPLASY202230167.
Izvorni podaci
- DOI
- 10.3389/fpubh.2022.938113
- PMID
- 35923964
- PMCID
- PMC9339706
- Provjereno
- 2026-07-26
Naslov i sažetak prevedeni su automatski i prijevod može sadržavati netačnosti ili neprecizne stručne izraze. Za sve detalje, citiranje i medicinsko tumačenje pregledajte originalnu englesku verziju članka. Ne donosite zdravstvene odluke samo na osnovu ovog prijevoda.
Pregledaj originalni članak na engleskom