Диагностическая точность глубокого обучения в медицинской визуализации: систематический обзор и метаанализ

Глубокое обучение (DL) обладает потенциалом для преобразования медицинской диагностики. Однако диагностическая точность методов глубокого обучения остается неопределенной. Целью исследования была оценка диагностической точности алгоритмов глубокого обучения для выявления патологии при медицинской визуализации. Поиск публикаций проводили в базах данных MEDLINE и EMBASE по январь 2020 года включительно. Было выявлено 11 921 исследование, из которых 503 включили в систематический обзор. В метаанализ включили 82 исследования в области офтальмологии, 82 исследования заболеваний молочной железы и 115 исследований заболеваний органов дыхания. Еще 224 исследования по другим специальностям включили в качественный обзор. В обзор включали рецензируемые исследования, в которых сообщалось о диагностической точности алгоритмов глубокого обучения при выявлении патологии с использованием методов медицинской визуализации. Основными исходами были показатели диагностической точности, дизайн исследования и стандарты представления результатов в научной литературе. Оценки объединяли с использованием метаанализа со случайными эффектами. В офтальмологии площадь под ROC-кривой (AUC) составляла от 0,933 до 1,0 при диагностике диабетической ретинопатии, возрастной макулярной дегенерации и глаукомы по фотографиям глазного дна и данным оптической когерентной томографии. При визуализации органов дыхания AUC составляла от 0,864 до 0,937 при диагностике легочных узлов или рака легкого по рентгенограммам органов грудной клетки или данным компьютерной томографии (КТ). При визуализации молочной железы AUC составляла от 0,868 до 0,909 при диагностике рака молочной железы по данным маммографии, ультразвукового исследования, магнитно-резонансной томографии (МРТ) и цифрового томосинтеза молочной железы. Между исследованиями наблюдалась высокая неоднородность, а также значительная вариабельность методологии, терминологии и показателей исходов. Это может приводить к завышению диагностической точности алгоритмов глубокого обучения при медицинской визуализации. Существует неотложная потребность в разработке руководств EQUATOR, специально предназначенных для исследований в области искусственного интеллекта, особенно стандартов представления исследований диагностической точности (STARD), чтобы обеспечить рекомендации по ключевым вопросам этой области.