如果您对骨科疾病生信临床研究感兴趣，请为小骨点点关注，持续解读骨科前沿生信文献和思路。如果您需要定制化服务，欢迎扫码联系小骨~
文章标题：Machine Learning and Deep Learning for Diagnosis of Lumbar Spinal Stenosis: Systematic Review and Meta-Analysis
中文标题：机器学习和深度学习诊断腰椎管狭窄症：系统评价和荟萃分析
发表期刊：J Med Internet Res
发表时间：2024年12月
影响因子：
5.8/Q1
研究目的
腰椎管狭窄症 （LSS） 是全球老年人疼痛和残疾的主要原因。尽管在 LSS 诊断领域对传统机器学习 （TML） 和深度学习 （DL） 的研究越来越多，并取得了显著的成果，但尚未对这些模型的性能进行系统分析。
研究方法
本综述是根据 PRISMA（系统评价和荟萃分析的首选报告项目）指南进行的，使用了从 PubMed、Embase 数据库和 Cochrane 图书馆数据库中提取的文章。纳入评估 DL 或 TML 算法对诊断 LSS 评估价值的研究，而排除数据重复或不可用的研究。诊断准确性研究质量评估 2 用于估计每项研究的偏倚风险。Stata （StataCorp） 的 MIDAS 模块和 METAPROP 模块用于数据合成和统计分析。
研究结果
1.研究选择和特征
初步检索确定了 934 个标题和摘要，其中 269 个是重复的。筛选后，根据本研究的纳入和排除标准排除了 567 篇文章。此外，对 98 项研究进行了全文综述，其中 19 项和 12 项研究分别被纳入系统评价和荟萃分析。表 1 总结了系统评价和荟萃分析中研究的特征，包括研究类型、模型类型、使用的算法、LSS 分类、参与者人数、验证策略、成像方式和 LSS 的诊断标准。系统评价中纳入的 19 项研究发表于 2016 年至 2024 年。meta分析纳入的12项研究均为回顾性研究，包括21项外部试验[17,25-27,30,32,34]和35项内部试验[17,20,22,24,26-28,33,34]。
关于QUADAS-2偏倚风险评估，我们揭示了4项高偏倚风险的研究[26,28,30,33]，3项偏倚风险不明确，5项完全低偏倚风险，特别是，纳入的研究中有 2 项没有报告患者选择的细节 ，导致患者选择存在高偏倚。
共有 12 项研究（涉及 15,044 名患者）报告了 TML 或 DL 模型诊断 LSS 的评估价值。合并敏感性为 0.84 （95% CI 0.82-0.86;I2=99.06%），特异性为 0.87 （95% CI 0.84-0.90;I2=98.7%;）。诊断比值比为 36 （95% CI 26-49）。SROC 曲线显示 TML 或 DL 模型诊断 LSS 的曲线下面积为 0.92 （95% CI 0.89-0.94），表明具有很高的诊断价值。
文章小结
本系统评价和荟萃分析强调，尽管人工智能系统在 LSS 诊断的实验阶段的诊断性能总体上令人满意，但它们都不够可靠和实用，无法应用于实际临床实践。应进一步努力，包括优化模型平衡、广泛接受的客观参考标准、多模态策略、用于训练和测试的大型数据集、外部验证以及充分和科学的报告，以在未来研究中弥合当前 TML 或 DL 模型与实际临床应用之间的距离。如果您对生信分析和公共数据库挖掘感兴趣，但时间和精力有限或者缺乏相关经验，小骨非常乐意为您提供如下服务：免费思路评估、付费方案设计和生信分析等，有意向的老师欢迎联系小骨哦！
