人工智能在卵巢癌组织病理学中的应用：系统综述
图像与视频处理
2023-06-19 v2 人工智能
机器学习
摘要
目的——刻画并评估已发表的、使用组织病理学数据评估人工智能（AI）方法用于卵巢癌诊断或预后研究的质量。方法——检索 PubMed、Scopus、Web of Science、CENTRAL 和 WHO-ICTRP 至 2023 年 5 月 19 日的文献。纳入标准要求在卵巢癌组织病理学图像上评估 AI 以进行诊断或预后推断的研究。偏倚风险使用 PROBAST 评估。将每个相关模型的信息列表并报告汇总统计。遵循 PRISMA 2020 报告指南。结果——共识别 1573 条记录，其中 45 条符合纳入条件。包含 80 个相关模型，包括 37 个诊断模型、22 个预后模型及 21 个具有其他诊断相关结果的模型。模型开发使用了来自 1–776 名卵巢癌患者的 1–1375 张切片。模型结果包括治疗反应（11/80）、恶性状态（10/80）、染色量（9/80）和组织学亚型（7/80）。所有模型总体偏倚风险均为高或不明，多数研究在分析方面偏倚风险高，且关于研究对象与预测因子的描述缺乏清晰性。研究常因报告不充分及使用小样本进行有限验证而受限。结论——将 AI 应用于卵巢癌诊断或预后组织病理学图像的研究有限，且相关模型均未被证明可投入真实世界使用。有助于临床转化的关键方面包括更透明全面地报告数据来源与建模方法，以及使用交叉验证和外部验证改进定量性能评估。
引用
@article{arxiv.2303.18005,
title = {Artificial Intelligence in Ovarian Cancer Histopathology: A Systematic Review},
author = {Jack Breen and Katie Allen and Kieran Zucker and Pratik Adusumilli and Andy Scarsbrook and Geoff Hall and Nicolas M. Orsi and Nishant Ravikumar},
journal= {arXiv preprint arXiv:2303.18005},
year = {2023}
}