文献速递头颈神经CTMRPETUS

影像组学与人工智能模型诊断头颈癌淋巴结转移的诊断准确性:系统综述与Meta分析

Diagnostic accuracy of radiomics and artificial intelligence models in diagnosing lymph node metastasis in head and neck cancers: a systematic review and meta-analysis.
PubMed 文献 · Neuroradiology · 2024-11-11

该系统综述与Meta分析纳入23项研究,评估影像组学和深度学习模型诊断头颈癌淋巴结转移的准确性,所有分析限于内部验证集。汇总AUC在CT为91%、MRI为84%、PET/CT为92%,PET/CT模型敏感度和特异度最高;深度学习与手工影像组学模型间、淋巴结与原发肿瘤特征模型间无显著差异。作者认为PET/CT模型准确性较好,未来需多中心外部验证研究。

要点

  • PET/CT影像组学模型汇总AUC 92%、敏感度91.5%、特异度92.5%,在三种模态中最高。
  • CT模型汇总AUC 91%、敏感度82.4%、特异度86.6%;MRI模型汇总AUC 84%、敏感度75.3%、特异度81.1%。
  • 深度学习与手工影像组学模型AUC 92% vs 91%,淋巴结与原发肿瘤特征模型AUC 92% vs 89%,均无显著差异。

核心结论

  • 影像组学和深度学习模型在诊断头颈癌淋巴结转移方面显示出较好准确性,尤其是PET/CT模型;未来研究应优先开展多中心外部验证以确认结果并提升临床适用性。

研究设计与样本

  • 系统综述与Meta分析,检索PubMed、Scopus、Web of Science和Embase四个数据库,最终纳入23项研究;采用METRICS清单评估方法学质量,使用R环境双变量模型进行Meta分析,参考标准多为淋巴结手术组织病理学。

关键影像表现/征象

  • 头颈癌淋巴结转移的传统影像诊断基于大小、不规则、坏死、囊变、球形和簇状淋巴结等形态特征。
  • 反应性淋巴结可增大,而恶性淋巴结可能保持正常形态,形态学诊断存在重叠。
  • 引用Meta分析显示CT诊断淋巴结转移敏感度52%、特异度93%,MRI敏感度65%、特异度81%,PET敏感度66%、特异度87%,超声敏感度66%、特异度78%。
  • 30%无临床或影像学淋巴结转移证据的患者,组织病理学检查显示淋巴结阳性浸润。

诊断标准与关键数值

  • CT模型汇总AUC 91%(95% CI 83-93%),汇总敏感度82.4%(95% CI 76.9-86.8%),汇总特异度86.6%(95% CI 80.9-90.7%)。
  • MRI模型汇总AUC 84%(95% CI 73-89%),汇总敏感度75.3%(95% CI 67.3-81.9%),汇总特异度81.1%(95% CI 73.0-87.2%)。
  • PET/CT模型汇总AUC 92%(95% CI 90-97%),汇总敏感度91.5%(95% CI 87.2-94.5%),汇总特异度92.5%(95% CI 90.4-94.1%)。
  • 深度学习模型汇总AUC 92%(95% CI 85-95%),敏感度84.4%(95% CI 77.8-89.3%),特异度87.1%(95% CI 81.2-91.3%);手工影像组学模型汇总AUC 91%(95% CI 83-92%),敏感度83.0%(95% CI 77.7-87.3%),特异度87.1%(95% CI 80.9-91.5%);两者差异无统计学意义(p=0.993)。
  • 淋巴结特征模型汇总AUC 92%(95% CI 86-94%),敏感度84.8%(95% CI 79.4-88.9%),特异度87.5%(95% CI 82.4-91.3%);原发肿瘤特征模型汇总AUC 89%(95% CI 77-92%),敏感度78.0%(95% CI 70.7-84.0%),特异度84.9%(95% CI 79.9-88.8%);差异无统计学意义(p=0.261)。

临床应用与阅片要点

  • PET/CT模型可能提供更高的诊断准确性,但该结果基于内部验证集,尚未经过外部验证。
  • 深度学习与手工影像组学模型之间、淋巴结与肿瘤特征模型之间未见显著差异,选择建模方式时可参考数据可获得性。
  • 传统形态学标准存在假阳性与假阴性,影像组学模型可能辅助提高诊断信心。
  • 原文未据此给出具体阅片流程或报告建议。

局限性

  • 多数研究缺乏外部验证,仅一项研究有外部验证集,全部分析限于内部验证集。
  • METRICS评分中位数73.3%(范围58.1%-95.2%),部分研究在验证、稳健性和泛化性方面存在担忧。
  • CT亚组存在明显异质性(I² 45.1%-86.6%),MRI亚组异质性(I² 28.1%-32.8%)。
  • 深度学习与手工影像组学比较中两组异质性均较高(深度学习I² 72%-92.9%,手工影像组学I² 31.5%-65.3%)。
  • 发表偏倚检验显示显著发表偏倚(广义Egger回归检验p<0.005);节点特征模型组异质性I² 60.6%-88.7%,原发肿瘤特征组I² 39.8%-72.3%。
全文中译13 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Neuroradiology. 2024 Nov 11;67(2):449–67. doi: 10.1007/s00234-024-03485-x

引言

头颈癌是全球第七大常见癌症,主要由口腔和咽部的鳞状细胞癌组成[1]。根据全球疾病负担研究,2019年其年死亡率估计为313,000例死亡[2]。淋巴结转移(LNM)是头颈癌中最关键的预后因素,可将生存率降低至一半[3]。虽然治疗策略取决于LNM状态,但对于早期头颈癌的颈清扫或密切随访尚无共识[4]。未能治疗转移性淋巴结可能导致疾病复发。对良性淋巴结进行手术或放疗,尤其是当其靠近重要结构时,可能给患者带来不必要的副作用和并发症[5]。

LNM通常根据影像学上的形态学特征进行诊断。最常用的特征包括大小、不规则性、坏死、囊性变、球形和淋巴结聚集[6, 7]。然而,反应性淋巴结可能表现为增大,而恶性淋巴结可能保持正常形态[8]。一项荟萃分析发现,在诊断头颈癌LNM方面,计算机断层扫描(CT)的敏感性和特异性分别为52%和93%,磁共振成像(MRI)为65%和81%,正电子发射断层扫描(PET)为66%和87%,超声(US)为66%和78%[9]。同时,在30%无临床或影像学LNM证据的患者中,组织病理学检查显示阳性淋巴结浸润[10]。因此,许多临床淋巴结阴性患者接受了淋巴结清扫。此外,并非所有接受手术的临床LNM阳性患者均经组织病理学证实存在LNM,因为影像学LNM诊断并不完全准确[11]。相当大比例的患者很有可能接受不准确的临床淋巴结分期。

除了检测LNM的固有困难(如组织特征和技术障碍)外,准确诊断中最关键的因素是受医师经验和繁忙的放射科医生工作流程影响的人为错误[12, 13]。整合定性和定量影像特征来诊断LNM的计算机辅助诊断系统可能是提高诊断准确性和实施个性化治疗的解决方案。用于提取相关特征的感兴趣区(ROI)可能是淋巴结或原发肿瘤组织[14]。

手工放射组学(HCR)方法提取和分析大量定量特征,并借助机器学习算法将组织分类为转移性或非转移性[15, 16]。此外,深度学习算法从图像中提取相关特征,通过多层神经网络传递,最终进行分类[17]。在本系统综述和荟萃分析中,我们旨在评估HCR和深度学习算法在不同影像模态上检测头颈癌LNM的诊断准确性。

方法

遵循系统综述和荟萃分析首选报告条目(PRISMA)声明指南[18],我们在PubMed、Scopus、Web of Science和Embase中进行了全面检索。我们为每个数据库设计了检索式,包括以下关键词:(“人工智能”或“人工神经网络”或“机器学习”或“深度学习”或“卷积神经网络”或“自动检测”或“放射组学特征”或“放射组学”)和(“计算机断层扫描”或“计算机断层扫描检查”或“CT扫描”)和(“淋巴结”或“淋巴结”或“淋巴结的”或“结节”或“转移”或“转移灶”或“淋巴结转移”或“淋巴结转移灶”)和(“头颈部肿瘤”或“头颈癌”或“头颈部鳞状细胞癌”或“HNSCC”)。此外,我们对纳入研究的参考文献部分进行了人工检查,以检索更多相关论文。

两名研究者独立审阅每篇文章的标题、摘要和/或全文,并评估其与纳入标准的相关性。如存在任何分歧,则通过与资深共同作者协商,就是否纳入该研究达成共识。使用由位于美国明尼苏达州圣保罗的Nested Knowledge公司创建的AutoLit平台协助进行去重、筛选和数据提取。

报告至少一项放射组学和/或深度学习模型判别统计量的相关研究符合纳入条件。我们对国家、研究设计、发表年份或患者特征不设限制。我们排除了非英文出版物、病例报告和患者少于5例的病例系列,以及会议摘要、综述文章和编辑评论。我们提取了第一作者姓名、发表年份、成像方式、评估疾病、样本量和人口学特征、分割方法、参考检验、所开发的诊断模型以及主要模型的判别统计量等数据。

在本系统综述中,我们使用放射组学研究方法学评分(METRICS)清单评估纳入研究的质量[19]。METRICS清单提供了一个详细框架,用于审查与手工放射组学和深度学习模型均相关的关键方法学方面。该评估涵盖多个领域,包括研究设计、成像数据、分割、图像处理和特征提取、特征处理、建模准备、指标与比较、测试以及开放科学。每个领域包含多个问题,每个问题被赋予特定权重,从而能够全面评估研究的方法学质量[19]。

统计分析

在进行广泛综述并提取相关数据后,符合纳入标准的研究被整合到随机效应诊断试验准确性(DTA)荟萃分析中。定量合成的标准要求纳入从内部验证集中报告的诊断准确性指标得出的真阳性、真阴性、假阳性和假阴性值,包括使用n折交叉验证的研究。对于呈现多个模型的研究,每种成像方式的主要模型被选入主要荟萃分析,而其他模型则酌情纳入亚组分析。

我们有一个先验假设,即使用不同成像技术的研究之间诊断指标可能存在差异。因此,在荟萃分析中进行了亚组分析以比较这些技术。有研究提示,模型的性能可能因其架构而存在显著差异,特别是采用深度学习特征提取算法的模型与使用HCR特征提取方法的模型之间。此外,我们假设基于肿瘤ROI的影像组学或深度学习特征的模型与基于淋巴结ROI特征的模型可能影响性能。因此,这些因素被确定为亚组分析的关键变量。

DTA荟萃分析采用Reitsma等[20]提出的双变量模型。使用该模型进行的meta回归有助于探索亚组间的差异。汇总受试者工作特征(SROC)曲线由双变量荟萃分析数据生成,这些曲线上的研究特异性估计值根据其在随机效应单变量诊断比值比(DOR)模型中的贡献进行加权。为评估模型的整体诊断性能,基于双变量模型使用2000次样本自举法计算每个亚组的SROC曲线下面积(AUC)及其置信区间[21]。

异质性使用I2指标评估,基于Holling等[22]的方法。I2置信区间超过25%表明存在异质性,促使基于DOR单变量荟萃分析进行敏感性分析以识别潜在离群值。对识别出的离群值进行重新分析以确认结果的稳健性。此外,发表偏倚使用针对DTA荟萃分析的广义Egger回归检验进行评估,该检验按照Noma等[23]的建议,使用2000次样本自举法检验漏斗图的不对称性。

所有统计分析均使用R软件环境(版本4.2.1,R Foundation for Statistical Computing,维也纳,奥地利)进行,使用R包“Mada”、“MVPBT”[24]、“dmetatools”[21]、“Metafor”[25]和“meta”[26]。

结果

文献筛选与选择

按照预定义策略进行系统文献检索,共识别出783篇文献。去除重复后,506篇论文基于标题和摘要进行初步筛选,排除459篇文献。剩余47篇论文的全文进行全文审查。经过全面审查,24篇文献因不符合研究目的而被排除。最终,识别并纳入23篇符合纳入标准的文献。筛选过程和入选标准遵循PRISMA指南,展示该过程的PRISMA流程图见图1。

图1 PRISMA流程图展示审查过程,PRISMA:系统评价和荟萃分析首选报告项目 查看原图 ↗

研究与患者特征

本研究共纳入23项开发影像组学和/或深度学习模型用于诊断或预测头颈癌患者淋巴结转移(LNM)的研究。表1提供了所选研究的详细人口学信息,描述了模型的技术特征,并提供了各研究建立的主要模型的诊断准确性指标。

纳入的研究利用从多种成像模态中提取的特征来构建模型。CT成像用于12项研究,MRI用于6项,PET/CT用于3项,而PET和口内超声(US)各用于2项研究。此外,在大多数研究中,评估的参考标准为淋巴结清扫术获得的手术组织病理学。14项研究侧重于分析从淋巴结提取的影像组学特征,而9项研究侧重于原发肿瘤的特征。就所使用的影像组学特征而言,18项研究使用手工 crafted 特征来构建模型,而7项研究整合了深度学习算法进行特征提取。其中,2项研究将深度学习与HCR特征相结合,5项研究仅使用深度学习特征。

表1 纳入研究的特征及其构建的模型 查看原表 ↗

质量评估

纳入研究中模型的质量使用METRICS清单进行评估,综合结果见表A.1。该分析显示METRICS评分中位数为73.3%。评分从最低58.1%到最高95.2%不等,显示大多数纳入研究的方法学质量为“良好”,但存在某些担忧,特别是关于模型缺乏验证、稳健性和泛化性方面。在纳入的研究中,仅1项具有外部验证集[43],而许多研究缺乏适当的内部或外部验证方法,而这些方法对于防止信息泄露至关重要。

基于CT、MRI和PET/CT的模型的Meta分析

我们评估了使用从CT、MRI和PET/CT提取特征的模型之间诊断准确性的差异。由于大多数研究缺乏外部验证,所有分析仅限于内部验证集。图2展示了比较这些成像模态诊断准确性的SROC曲线。我们的研究结果表明,基于CT的模型的汇总AUC值为91%(95% CI:83-93%),基于MRI的模型为84%(95% CI:73-89%),基于PET/CT的模型为92%(95% CI:90-97%)。该分析提示这些模态之间诊断准确性存在差异的趋势(p = 0.076)。

该分析的配对森林图见图3,分别显示CT的汇总敏感度和特异度为82.4%(95% CI:76.9-86.8%)和86.6%(95% CI:80.9-90.7%),MRI为75.3%(95% CI:67.3-81.9%)和81.1%(95% CI:73.0-87.2%),PET/CT为91.5%(95% CI:87.2-94.5%)和92.5%(95% CI:90.4-94.1%)。由于双变量模型中观察到边缘显著的差异,进行了事后分析,表明基于PET/CT的模型具有更高的敏感度(p = 0.02)。

在CT(I2:45.1 − 86.6%)和MRI(I2:28.1 − 32.8%)亚组内观察到显著异质性。留一法分析确定Kubo等(2022)和Xu等(2023)的研究为CT亚组的离群值[27, 28]。排除这些研究后,图A.1显示了修订后的森林图,成像模态之间诊断准确性差异的统计学显著性得到确认(p < 0.01)。进一步的事后分析还显示,排除这些离群研究后,PET/CT模型具有更高的敏感度和特异度(p < 0.01)。

图2 不同模态模型比较的亚组荟萃分析汇总受试者工作特征曲线(SROC),组间差异由双变量模型得出,AUC:曲线下面积。DL:深度学习 查看原图 ↗
图3 不同模态模型比较的亚组荟萃分析配对森林图,组间差异由双变量模型得出,ADC:表观扩散系数。ag:注意力引导。CE:增强。CECT:增强CT。CI:置信区间。CNN:卷积神经网络。DCE:动态增强。DECT:双能CT。DLR:深度学习影像组学。DWI:扩散加权成像。GBM:梯度提升机。HCR:手工影像组学。LN:淋巴结。LR:逻辑回归。NB:朴素贝叶斯。NN:神经网络。RF:随机森林。SVM:支持向量机 查看原图 ↗

深度学习与手工影像组学模型的荟萃分析

我们探讨了利用深度学习算法提取特征的模型与采用手工影像组学(HCR)特征的模型之间的差异。由于大多数纳入研究缺乏外部验证,分析仅限于内部验证集。图4显示了这些模型类型的SROC曲线。深度学习模型和HCR模型的汇总AUC分别为92%(95% CI:85-95%)和91%(95% CI:83-92%),诊断准确性无显著差异(p = 0.993)。

图5展示了该分析的配对森林图。HCR模型的相应灵敏度和特异度分别为83.0%(95% CI:77.7-87.3%)和87.1%(95% CI:80.9-91.5%),深度学习模型分别为84.4%(95% CI:77.8-89.3%)和87.1%(95% CI:81.2-91.3%),无显著差异(p = 0.993)。两组均存在显著异质性(DL:I²:72-92.9%,HCR:I²:31.5-65.3%)。留一法分析确定Kubo等(2022)和Yuan等(2021)为HCR组的离群值[27, 29],排除这些研究后的森林图见图A.2。排除离群值后,诊断准确性差异仍不显著(p = 0.982)。

图4 深度学习与手工影像组学模型比较的亚组荟萃分析汇总受试者工作特征曲线(SROC),组间差异由双变量模型得出,AUC:曲线下面积。DLR:深度学习影像组学。HCR:手工影像组学 查看原图 ↗
图5 深度学习与手工影像组学模型比较的亚组荟萃分析配对森林图,组间差异由双变量模型得出,ADC:表观扩散系数。ag:注意力引导。CE:增强。CECT:增强CT。CI:置信区间。CNN:卷积神经网络。DCE:动态增强。DECT:双能CT。DLR:深度学习影像组学。DWI:扩散加权成像。GBM:梯度提升机。HCR:手工影像组学。LN:淋巴结。LR:逻辑回归。NB:朴素贝叶斯。NN:神经网络。RF:随机森林。SVM:支持向量机 查看原图 ↗

基于淋巴结与原发性肿瘤影像组学特征模型的荟萃分析

我们探讨了基于淋巴结与原发性肿瘤影像组学特征的模型之间的差异。由于大多数纳入研究缺乏外部验证,分析仅限于内部验证集。图6显示了比较两组的SROC曲线,显示淋巴结模型的汇总AUC为92%(95% CI:86-94%),而原发性肿瘤模型为89%(95% CI:77-92%),未观察到显著差异(p = 0.261)。

图7展示了该分析的双侧森林图,显示淋巴结模型的汇总敏感度和特异度分别为84.8%(95% CI:79.4-88.9%)和87.5%(95% CI:82.4-91.3%),原发性肿瘤模型分别为78.0%(95% CI:70.7-84.0%)和84.9%(95% CI:79.9-88.8%)。

在淋巴结组(I2:60.6 − 88.7%)和原发性肿瘤组(I2:39.8 − 72.3%)内均观察到显著异质性。留一法分析确定Yuan等(2021)的研究为原发性肿瘤组中的显著离群值[29]。排除该研究后,无显著差异的结论保持一致,如图A.3所示(p = 0.736)。

图6 亚组荟萃分析的汇总受试者工作特征曲线(SROC),比较基于淋巴结与原发性肿瘤提取的影像组学特征的模型。组间差异源自双变量模型。AUC:曲线下面积。LN:淋巴结 查看原图 ↗
图7 亚组荟萃分析的双侧森林图,比较基于淋巴结与原发性肿瘤提取的影像组学特征的模型。ADC:表观扩散系数。ag:注意力引导。CE:对比增强。CECT:对比增强CT。CI:置信区间。CNN:卷积神经网络。DCE:动态对比增强。DECT:双能CT。DLR:深度学习影像组学。DWI:扩散加权成像。GBM:梯度提升机。HCR:手工影像组学。LN:淋巴结。LR:逻辑回归。NB:朴素贝叶斯。NN:神经网络。RF:随机森林。SVM:支持向量机。组间差异源自双变量模型 查看原图 ↗

发表偏倚评估

图8展示了用于评估各研究主要模型所报告诊断准确性的发表偏倚和小样本效应的双侧漏斗图。通过广义Egger回归检验确认存在显著发表偏倚(p < 0.005)。

图8 双侧漏斗图用于评估各研究主要模型所报告诊断准确性值之间的潜在发表偏倚/小样本效应。FPR:假阳性率。Se:敏感度 查看原图 ↗

讨论

本系统评价和荟萃分析的结果表明,影像组学和深度学习模型在诊断头颈部癌症淋巴结转移(LNM)方面具有令人期待的准确性,基于CT的模型、基于MRI的模型和基于PET/CT的模型的汇总AUC分别为91%、84%和92%。我们还检索到深度学习和HCR模型的汇总AUC分别为92%和91%。这些模型在不同影像模态(包括CT、MRI和PET/CT)以及不同流程(包括基于颈部淋巴结图像的流程和基于肿瘤图像的流程)中均显示出可接受的准确性,为该类模型在临床实践中的潜在临床应用提供了启示。

我们的发现与多项荟萃分析研究一致,这些研究表明精准医学和影像组学流程在诊断和预测多种类型癌症(包括乳腺癌[30]、胆道恶性肿瘤[31]和结直肠癌[32])的淋巴结转移(LNM)方面具有广阔前景。例如,Windsor等人的综述讨论了基于不同模态的影像组学模型对乳腺癌LNM的预测,并报告了基于人工智能(AI)的模型在各种影像模态中预测LNM的优异汇总诊断准确性指标[30]。值得注意的是,其综述中纳入的一项研究[33]报告了放射科医生在与AI模型协作工作时LNM检测灵敏度的提高,突显了将影像组学流程整合到放射科医生临床实践中的重要性,同时利用放射科医生的视觉评估和机器学习算法评估的影像组学特征。

我们的荟萃分析包含了三项亚组分析,其中纳入的研究根据其提取特征的方法(深度学习 vs. HCR)、感兴趣区(淋巴结 vs. 原发肿瘤)和影像模态(CT vs. MRI vs. PET/CT)进行分类。亚组间观察到统计学显著差异的唯一分析是后者,PET/CT在排除离群研究前后均一致显示更高的准确性。

除了PET/CT更高的图像质量和更详细的训练数据外,这一发现的另一个归因因素可以在所部署AI模型的细微差别中探索,例如在纳入的三项PET/CT研究之一中使用了注意力引导分类(AGC),该研究也是获得最高灵敏度和特异度的研究。AGC由2个模块组成:(1)注意力引导卷积神经网络(agCNN)和(2)分类CNN(cCNN)[16]。Chen等人报告其AGC模型优于传统CNN和影像组学模型。AGC与传统CNN的不同之处在于将人类知识纳入训练过程以及无需精确勾画[16]。这将使agCNN模块能够识别ROI patch内的有用区域并将其馈送给分类CNN,从而增强准确性。

在另一项PET/CT研究中,Chen等人使用多目标影像组学(MaO-radiomics)和3D-CNN开发了一种混合模型,并使用证据推理方法融合其输出[34]。该研究表明,将影像组学模型与深度学习模型结合使用可以帮助专家利用两种模型的优势并优化准确性。

基于AI的模型的主要优势之一是对LNM早期准确预测的承诺,这可以带来癌症管理的范式转变并显著改善患者的预后[35]。此外,开发和利用无创方法检测LNM将避免对患者实施昂贵、耗时和侵入性的操作。更重要的是,目前在众多癌症条件下检测LNM的方法高度易受观察者间变异性的影响,这可能混淆研究结果的稳健性[35],而基于AI的模型基于稳健、可重复和可解释的流程,有可能提高信心和准确性并获得更稳健的结果。

然而,影像组学模型在医学影像中的应用也面临不少挑战。例如,必须解决硬件限制以获取高质量数据。此外,必须组建多学科团队来制定标准并规范保密方面的事宜,以确保人工智能在临床实践中的良好应用[36]。在医学影像中应用人工智能的另一个令人担忧的障碍是过拟合。当人工智能模型不再能推广到整个人群而仅在训练数据上有效时,就会发生过拟合[37–39]。为了克服过拟合,数据增强和更大的样本量——特别是能够真正代表整个人群的样本量——可能会有所帮助[37]。最后,必须将不确定性量化方法纳入基于人工智能的医学影像中,以提高准确性,并帮助放射科医生进一步审查高度不确定的预测并确认或否定它们[16, 40]。目前大多数影像组学研究缺乏这些方法学优势,这对所开发模型的临床适用性构成了重大关切。因此,需要付出更多努力来开发更可靠的机器学习方法以应用于临床实践。

本研究存在若干局限性。首先,纳入研究之间观察到的大量异质性限制了研究结果的推广性。其次,已确认存在显著的发表偏倚,这要求对人工智能研究的审阅、发表和解读过程进行全面修订。第三,纳入的研究主要为单中心研究,缺乏多中心外部验证,这进一步限制了研究结果的推广性。大多数纳入研究使用了k折交叉验证,通过过拟合和信息泄露的风险引入偏倚,并且未提供足够的数据来验证是否采取了所有适当措施以防止信息泄露;此外,没有足够的研究来进行全面的亚组分析,以比较采用k折内部验证的研究与其他研究。然而,据我们所知,这是首个关于人工智能模型在头颈部癌症淋巴结转移检测中诊断准确性的综合系统综述和荟萃分析。

结论

我们的荟萃分析确认了人工智能在淋巴结转移预测中的巨大潜力。深度学习模型和HCR模型在检测头颈部癌症淋巴结转移方面表现出同样出色的性能,而PET/CT成像被证明与更高的准确性指标显著相关。然而,仍需进一步研究来阐明基于人工智能的模型在淋巴结转移检测中的临床意义、缺陷和全部潜力。

电子补充材料

以下是电子补充材料的链接。

补充材料1

引用

  1. Valizadeh P, Jannatdoust P, Pahlevan-Fallahy MT, et al. Diagnostic accuracy of radiomics and artificial intelligence models in diagnosing lymph node metastasis in head and neck cancers: a systematic review and meta-analysis. Neuroradiology. 2024. PMID: 39527265. doi:10.1007/s00234-024-03485-x
  2. 全文:PMC11893643(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11893643/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。