Применение машинного обучения для дифференциации злокачественных опухолей костей по данным визуализации: систематический обзор

Application of Machine Learning for Differentiating Bone Malignancy on Imaging: A Systematic Review
Wilson Ong, Andrew Makmur, Naresh Kumar, James Thomas Patrick Decourcy Hallinan, Balamurugan A. Vellayappan, Beng Chin Ooi, Lei Zhu, Ee Chin Teo, Jiong Hao Tan, Swee Tian Quek, Yi Liang Tan
2023-03-18

злокачественные опухоли костейдифференциация опухолей костеймашинное обучениемедицинская визуализациясистематический обзор
Точная диагностика опухолей костей по данным визуализации имеет решающее значение для выбора надлежащего и успешного лечения. Появление методов искусственного интеллекта (ИИ) и машинного обучения для характеристики и оценки опухолей костей с использованием различных методов визуализации может способствовать совершенствованию диагностического процесса. Целью данной обзорной статьи является обобщение последних данных о методах ИИ, применяемых для дифференциации доброкачественных и злокачественных поражений по данным визуализации, характеристики различных злокачественных поражений костей и оценки их потенциального клинического применения. В соответствии с рекомендациями Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) был проведён систематический поиск в электронных базах данных PubMed, MEDLINE, Web of Science и ClinicalTrials.gov. Всего из баз данных были отобраны 34 статьи, ключевые результаты которых были собраны и обобщены. Во всех 34 статьях сообщалось о применении методов ИИ для дифференциации доброкачественных и злокачественных поражений костей: в 12 (35,3%) исследованиях использовались рентгенограммы, в 12 (35,3%) — магнитно-резонансная томография (МРТ), в 5 (14,7%) — компьютерная томография (КТ), и в 5 (14,7%) — позитронно-эмиссионная томография/компьютерная томография (ПЭТ/КТ). Совокупные reported значения точности, чувствительности и специфичности ИИ при дифференциации доброкачественных и злокачественных поражений костей составляли соответственно 0,44–0,99, 0,63–1,00 и 0,73–0,96, а площадь под кривой (AUC) — 0,73–0,96. В заключение следует отметить, что применение ИИ для дифференциации поражений костей по данным визуализации продемонстрировало относительно высокую эффективность при использовании различных методов визуализации, включая высокие показатели чувствительности, специфичности и точности в ряде когортных исследований. Однако необходимы дальнейшие исследования для оценки клинической эффективности этих алгоритмов, прежде чем их можно будет внедрить и интегрировать в повседневную клиническую практику.
1
ИИ продемонстрировал относительно высокую диагностическую эффективность в нескольких когортах, однако перед внедрением в рутинную клиническую практику необходимы дополнительные исследования.
2
На рентгенографии и МРТ было выполнено по 12 исследований (35,3%), тогда как на КТ и ПЭТ/КТ — по 5 исследований (14,7%).
3
Заявленная точность ИИ при различении доброкачественных и злокачественных костных поражений составляла 0,44–0,99, чувствительность — 0,63–1,00, а специфичность — 0,73–0,96.
4
Значения площади под ROC-кривой для различных методов ИИ на основе визуализации находились в диапазоне 0,73–0,96.
5
Систематический обзор выявил 34 исследования, применявших искусственный интеллект для дифференциации доброкачественных и злокачественных костных поражений по данным визуализации.

Костные опухоли и поражения, оцениваемые с помощью медицинской визуализации

Дифференциация и характеристика доброкачественных и злокачественных костных поражений с помощью машинного обучения, включая диагностическую эффективность в различных методах визуализации

Publication Details
Publication Date
2023-03-18
Journal
Publisher
ISSN
Cited by
47
Access Type
Author Information
Authors
Wilson Ong
Andrew Makmur
Naresh Kumar
James Thomas Patrick Decourcy Hallinan
Balamurugan A. Vellayappan
Beng Chin Ooi
Lei Zhu
Ee Chin Teo
Jiong Hao Tan
Swee Tian Quek
Yi Liang Tan
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%