Lancet子刊 (IF=17) | 中国医科大学吴琪俊教授团队: 人工智能在卵巢癌影像学诊断领域的系统综述

近年来，中国医科大学附属盛京医院吴琪俊教授团队针对卵巢癌患者的病因、诊断和预后因素开展了系列研究。2022年9月17日，该团队在国际权威期刊柳叶刀子刊EClinicalMedicine (IF = 17)发表研究论文：Artificial intelligence performance in image-based ovarian cancer identification: a systematic review and meta-analysis。该研究通过系统综述与Meta分析发现，人工智能（Artificial intelligence, AI）算法有助于卵巢癌的影像学诊断，同时也重点强调了AI在医学影像及疾病诊断应用中需要注意的问题，为相关研究提供了有价值的参考。

研究背景

卵巢肿瘤在女性生殖系统肿瘤中较为常见，可分为良性、交界性和恶性肿瘤，表现出广泛的形态学特征。其中，卵巢恶性肿瘤是最致命的妇科恶性肿瘤之一。一般情况下，良性卵巢肿瘤生长缓慢可治愈；恶性肿瘤生长迅速，可发生远处器官转移，严重时可能危及患者生命。因此，术前准确鉴别卵巢肿瘤性质对于确定合适的治疗策略和提高术后生活质量至关重要。目前，AI在医学影像领域发展迅速，具有广阔的应用前景。为了解AI和医学影像技术的结合在临床卵巢癌诊断中的应用情况，该项研究对已发表的关于人工智能算法和医学影像技术在卵巢癌中的诊断性能数据进行系统回顾和Meta分析。

研究方法

该研究全面检索Medline, Embase, IEEE, Pubmed, Web of Science和Cochrane library数据库文章（截止到2022年8月1日），严格按照纳入排除标准，最终纳入34篇进行系统综述，其中28篇用于Meta分析。通过多个亚组分析和回归分析来探究研究间异质性的来源，并用Quality Assessment of Diagnostic Accuracy Studies-AI (QUADAS-AI)工具质量评估所有纳入文献。

Figure 1 PRISMA flowchart of study selection

研究结果-质量评价

由于部分研究没有充分描述数据的来源，患者的纳入排除标准，同时又缺乏可靠的外部验证，有一半以上的研究在病例选择（n=23）和指数测试（n=31）评价域显示高或不确定的风险偏倚。

Figure 2 QUADAS-AI summary plot

研究结果-荟萃分析

28篇相关研究汇总的灵敏度和特异度分别为88% (95%CI：85-90%)和85% (95%CI：82-88%)，曲线下面积 (Area Under the Curve, AUC)值为0.93 (95%CI：0.91-0.95)。当从这28项研究中选择性能最高的算法时，合并的敏感性和特异性分别为91% (95%CI：84-95%)和94% (95%CI：89-97%)，AUC值为0.97 (95%CI：0.96-0.99)。

Figure 3 SROC curves and Cross-hair Plot of all studies included in the meta-analysis (28 studies)

研究结果-亚组和异质性分析

纳入研究间存在显著的异质性，敏感性和特异性的I2分别为94.68%和97.50% (p<0.05)。本研究通过多个亚组和回归分析确定了研究间异质性的潜在来源。

Table 1. Summary estimate of pooled performance of AI in image-based ovarian cancer detection

总结和讨论

研究表明，AI算法有助于卵巢癌影像学诊断，呈现出与临床医生相当甚至更好的诊断性能。本研究还描述了不同算法、成像方式、样本量、发表年份、地理分布和不同风险偏倚水平的汇总诊断性能，作者进一步确定了研究间异质性的潜在来源。此外，使用QUADAS-AI工具严格评估研究质量和风险偏倚，这是本系统综述的一个优势，也将更好地指导未来的相关研究。

更重要的是，该研究还从多个角度深入讨论了现有研究存在的方法学问题：(1) 公共影像数据库的现状和未来；(2) 现有研究的方法学质量问题；(3) AI模型在临床中的实际应用问题；(4) 评价指标的广泛性；(5) 关键术语的不一致性；(6) 结合临床信息建模的可行性；(7) 可解释的人工智能（Explainable artificial intelligence，XAI）对于改善研究者理解、信任与管理AI模型的重要性；(8) 外部验证的必要性。总之，为了优化AI算法在临床诊断和图像分析中的应用，未来需要标准化临床研究设计方法论和报告。该团队期待AI在医学影像和疾病诊断领域实现更多新的突破。

参考消息：

https://www.thelancet.com/journals/eclinm/article/PIIS2589-5370(22)00392-3/fulltext

转自：“iNature”微信公众号

如有侵权，请联系本站删除！