数字病理中的人工智能：诊断试验准确性的系统综述与荟萃分析
摘要
在临床使用之前确保 AI 模型的诊断性能是安全成功采用这些技术的关键。近年来，报告将 AI 应用于数字病理图像进行诊断的研究数量迅速增加。本工作的目的是概述病理学各领域数字病理图像中 AI 的诊断准确性。本系统综述与荟萃分析纳入了在任何疾病类型中使用任意类型人工智能应用于全切片图像（WSIs）的诊断准确性研究。参考标准为通过组织病理学评估和/或免疫组化进行的诊断。检索于 2022 年 6 月在 PubMed、EMBASE 和 CENTRAL 中进行。我们识别出 2976 项研究，其中 100 项纳入综述，48 项纳入完整荟萃分析。使用 QUADAS-2 工具评估偏倚风险与适用性担忧。数据提取由两名研究者进行，荟萃分析采用双变量随机效应模型。共确定 100 项研究纳入，相当于超过 152,000 张全切片图像（WSIs），代表多种疾病类型。其中 48 项研究纳入荟萃分析。这些研究报告的 AI 平均灵敏度为 96.3%（CI 94.1–97.7），平均特异度为 93.3%（CI 90.5–95.4）。研究设计存在显著异质性，所有 100 项纳入研究至少在一项存在高或不明确偏倚风险。本综述广泛概述了全切片成像中 AI 的应用性能。然而，研究设计与可用性能数据差异巨大，关于研究执行与数据集构成的细节常缺失。总体而言，AI 应用于 WSI 时提供良好准确性，但需更严格的性能评估。
引用
@article{arxiv.2306.07999,
title = {Artificial intelligence in digital pathology: a systematic review and meta-analysis of diagnostic test accuracy},
author = {Clare McGenity and Emily L Clarke and Charlotte Jennings and Gillian Matthews and Caroline Cartlidge and Henschel Freduah-Agyemang and Deborah D Stocken and Darren Treanor},
journal= {arXiv preprint arXiv:2306.07999},
year = {2025}
}
备注
26 pages, 5 figures, 8 tables + Supplementary materials Preprint is pre-peer review version. Please see link for updated, peer reviewed article to see latest version