要約
目的 – 組織病理学データを使用して、卵巣がんの診断または予後に関する人工知能 (AI) 手法を評価する公表された研究の質を特徴付け、評価すること。
方法 – PubMed、Scopus、Web of Science、CENTRAL、WHO-ICTRP の検索を 2023 年 5 月 19 日まで実施しました。
対象基準では、卵巣がんの診断または予後の推論のために組織病理学画像に関する AI を研究が評価することが求められました。
バイアスのリスクは PROBAST を使用して評価されました。
対象となる各モデルに関する情報が表にまとめられ、概要統計が報告されました。
PRISMA 2020 報告ガイドラインに従いました。
結果 – 1573 件のレコードが特定され、そのうち 45 件が含める資格がありました。
37 の診断モデル、22 の予後モデル、およびその他の診断に関連する結果を伴う 21 のモデルを含む、80 の関心のあるモデルがありました。
モデルは、1 ～ 776 人の卵巣がん患者からの 1 ～ 1375 枚のスライドを使用して開発されました。
モデルの結果には、治療反応 (11/80)、悪性度 (10/80)、染色量 (9/80)、および組織学的サブタイプ (7/80) が含まれていました。
すべてのモデルは、全体的にバイアスのリスクが高いか不明確であることが判明し、ほとんどの研究では分析におけるバイアスのリスクが高く、研究の参加者と予測者に関する明確さが不足していました。
研究では、報告が不十分であったり、サンプルサイズが小さいため検証が限られていたりすることがよくありました。
結論 – 卵巣がんの診断または予後を目的とした病理組織画像への AI の適用については限定的な研究が行われており、関連するモデルはいずれも現実世界に実装できる状態にあることは実証されていません。
臨床翻訳を確実にするための重要な側面には、データの出所とモデル化アプローチのより透明性が高く包括的なレポート、および相互検証と外部検証を使用した定量的パフォーマンス評価の改善が含まれます。
要約(オリジナル)
Purpose – To characterise and assess the quality of published research evaluating artificial intelligence (AI) methods for ovarian cancer diagnosis or prognosis using histopathology data. Methods – A search of PubMed, Scopus, Web of Science, CENTRAL, and WHO-ICTRP was conducted up to 19/05/2023. The inclusion criteria required that research evaluated AI on histopathology images for diagnostic or prognostic inferences in ovarian cancer. The risk of bias was assessed using PROBAST. Information about each model of interest was tabulated and summary statistics were reported. PRISMA 2020 reporting guidelines were followed. Results – 1573 records were identified, of which 45 were eligible for inclusion. There were 80 models of interest, including 37 diagnostic models, 22 prognostic models, and 21 models with other diagnostically relevant outcomes. Models were developed using 1-1375 slides from 1-776 ovarian cancer patients. Model outcomes included treatment response (11/80), malignancy status (10/80), stain quantity (9/80), and histological subtype (7/80). All models were found to be at high or unclear risk of bias overall, with most research having a high risk of bias in the analysis and a lack of clarity regarding participants and predictors in the study. Research frequently suffered from insufficient reporting and limited validation using small sample sizes. Conclusion – Limited research has been conducted on the application of AI to histopathology images for diagnostic or prognostic purposes in ovarian cancer, and none of the associated models have been demonstrated to be ready for real-world implementation. Key aspects to help ensure clinical translation include more transparent and comprehensive reporting of data provenance and modelling approaches, as well as improved quantitative performance evaluation using cross-validation and external validations.
arxiv情報
| 著者 | Jack Breen,Katie Allen,Kieran Zucker,Pratik Adusumilli,Andy Scarsbrook,Geoff Hall,Nicolas M. Orsi,Nishant Ravikumar |
| 発行日 | 2023-06-16 15:02:38+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google