机构名称：
¥ 1.0
摘要 目的 目前，人工智能 (AI) 应用于临床放射学的研究已非常丰富。然而，这些研究的设计和质量各不相同，而且缺乏对整个领域的系统评价。本系统评价旨在确定所有使用深度学习进行放射学研究的论文，以调查文献并评估其方法。我们旨在确定文献中正在解决的关键问题，并确定所采用的最有效方法。方法 我们遵循 PRISMA 指南，对 2015 年至 2019 年发表的放射学人工智能研究进行了系统评价。我们发表的方案是前瞻性注册的。结果 我们的搜索产生了 11,083 个结果。审查了 767 篇全文，纳入了 535 篇文章。98% 是回顾性队列研究。纳入的患者中位数为 460。大多数研究涉及 MRI（37%）。神经放射学是最常见的亚专科。88% 的研究使用了监督学习。大多数研究进行了分割任务（39%）。37% 的研究使用最先进的模型进行性能比较。最常用的既定架构是 UNet（14%）。最常用的评估指标的中位性能为 Dice 0.89（范围 .49 – .99）、AUC 0.903（范围 1.00 – 0.61）和准确度 89.4（范围 70.2 – 100）。在 77 项对其结果进行了外部验证并允许直接比较的研究中，外部验证后的性能平均下降了 6%（范围从增加 4% 到下降 44%）。结论 本系统评价调查了 AI 在临床放射学中的重大进展。要点 • 虽然有许多论文报告了使用深度学习在放射学中取得的专家级结果，但大多数论文仅将狭窄范围的技术应用于狭窄的用例选择。• 文献以回顾性队列研究为主，外部验证有限，存在很高的偏见可能性。• 最近出现的 AI 扩展系统报告指南和前瞻性试验注册以及对外部验证和解释的关注表明，AI 的炒作有可能从代码转化为临床。
放射学人工智能：方法的系统评价和评估 (RAISE)
主要关键词
相关文件推荐
