TY -的A2 -李,魏盟——孙,柯蒂斯k . AU - Bisdas与PY - 2020 DA - 2020/12/18 TI -诊断机器精度上优于Radiomics分级胶质瘤:系统回顾和荟萃分析SP - 2127062六世- 2020 AB - 目的。本研究旨在评估诊断的准确性基于机器学习——(ML) radiomics区分高级神经胶质瘤(HGG)从低级的神经胶质瘤(LGG)和协变量识别潜在可能影响诊断的准确性ML-based radiomic分析分类神经胶质瘤。 方法。的主要文献搜索PubMed数据库进行之间找到所有相关的英文文献1月1日2009年5月1日,2020年,结合同义词“机器学习”,“神经胶质瘤,”和“radiomics。“五回顾性设计原创文章包括LGG和HGG受试者选择。汇集敏感性,特异性,其95%置信区间,曲线下面积(AUC)和层次总结接受者操作特征(HSROC)模型。 结果。汇集敏感性在诊断HGG更高(96%(95%置信区间CI: 0.93、0.98))比特异性诊断LGG (90% (95% CI 0.85, 0.93))。异质性是观察到的敏感性和特异性。Metaregression确认样本大小的异质性( p = 0.05 ),成像序列类型( p = 0.02 )和数据源( p = 0.01 ),但不包含的测试集( p = 0.19 ),特征提取号码( p = 0.36 ),选择的特征数( p = 0.18 )。亚组分析的结果表明,样本大小超过100和特征选择数小于总样本量积极影响从LGG区分HGG的诊断性能。 结论。这项研究展示了优秀的诊断性能ML-based radiomics在从LGG HGG区别。SN - 1555 - 4309 UR - https://doi.org/10.1155/2020/2127062 - 10.1155 / 2020/2127062摩根富林明对比媒体与分子成像PB - Hindawi KW - ER