机构名称：
¥ 1.0
摘要 免疫疗法具有持久临床益处的潜力，但也对目前构成影像引导治疗基础的肿瘤大小与结果之间的关联提出了质疑。人工智能 (AI) 和放射组学允许在医学图像中发现新的模式，从而可以提高放射学在癌症患者管理中的作用，尽管文献中的方法问题限制了其临床应用。我们使用与免疫疗法和放射组学相关的关键词，对 MEDLINE、CENTRAL 和 Embase 从数据库建立到 2022 年 2 月的文献进行了综述。我们删除了所有重复、非英语报告、摘要、评论、社论、观点、病例报告、书籍章节和不相关的研究。从剩余的文章中提取了以下信息：出版信息、样本量、原发性肿瘤部位、成像方式、主要和次要研究目标、数据收集策略（回顾性与前瞻性、单中心与多中心）、放射组学签名验证策略、签名性能以及计算放射组学质量评分 (RQS) 的指标。我们确定了 351 项研究，其中 87 项是与我们的研究问题相关的独特报告。队列规模的中位数（IQR）为 101（57-180）。放射组学模型开发的主要目标是预测（n=29，33.3%）、治疗反应预测（n=24，27.6%）以及肿瘤表型（n=14，16.1%）或免疫环境（n=13，14.9%）的表征。大多数研究都是回顾性的（n=75，86.2%）并从单个中心招募患者（n=57，65.5%）。对于具有模型测试可用信息的研究，大多数（n=54，65.9%）使用了验证集或更好的验证集。与免疫环境和总体预后相比，预测治疗反应或肿瘤表型的放射组学特征的性能指标通常最高。在可能的最高分 36 分中，RQS 的中位数 (IQR) 为 12 (10–16)。虽然越来越多的有希望的结果证明了人工智能和放射组学可以推动针对广泛适应症的精准医疗方法，但在将这些结果转化为临床实践之前，必须标准化数据收集以及优化方法质量和严谨性。
人工智能与放射组学
主要关键词
相关文件推荐
