机器学习用于区分原发性肺癌与肺转移瘤及非小细胞肺癌组织学亚型分类：系统综述
Machine learning for differentiating primary lung cancer from pulmonary metastases and non-small cell lung cancer histological subtype classification: a systematic review.
PubMed 文献 · Clin Radiol · 2026-09-17
本系统综述评估了基于CT和PET/CT的机器学习方法在区分原发性肺癌与肺转移瘤及肺癌组织学亚型分类中的表现。共纳入22项研究，中位代表性AUC为0.889（IQR 0.820-0.936），其中原发性/转移性鉴别为0.923，组织学亚型分类为0.874；但仅5项研究使用独立外部测试，外部验证研究的中位AUC降至0.720。结论认为机器学习模型诊断性能良好，但独立外部评估时性能较低，临床常规应用前需更广泛的多中心验证、透明报告、可复现代码/模型以及前瞻性评估。
引用
- Zare, Ostovari, Mahmoudi, et al. Machine learning for differentiating primary lung cancer from pulmonary metastases and non-small cell lung cancer histological subtype classification: a systematic review. Clin Radiol. 2026. PMID: 42863195. doi:10.1016/j.crad.2026.107484
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。