综述：人工智能和影像组学模型在影像学上诊断和预测腹膜转移的系统评价和荟萃分析

《Computers in Biology and Medicine》：Artificial Intelligence and radiomics models for the diagnosis and prognosis of peritoneal metastases on imaging: a systematic review and meta-analysis

本综述系统评价了人工智能（AI）与影像组学（Radiomics）模型在腹膜转移（PM）影像学诊断（检出、严重程度评估）及预后预测中的性能。荟萃分析显示，这些模型展现出较高诊断效能（合并AUC 0.84），尤其在结合临床因素后性能更优，为PM的精准、无创评估提供了新工具，但其临床转化仍需大规模验证。

　　

Abstract

Purpose

Peritoneal metastases (PM) significantly impact treatment options and prognosis of patients with cancer. Early detection and accurate evaluation are essential for guiding clinical decisions. This systematic review and meta-analysis aimed to provide a comprehensive overview and evaluate the performance of Artificial Intelligence (AI) and radiomics models for diagnosis and prognosis of PM on imaging.

Methods

A systematic search of PubMed, Embase, and the Cochrane Library was conducted for studies published up to July 2024 that evaluated AI or radiomics models analyzing imaging data for diagnosing or predicting prognosis in PM. Data were extracted, and if more than 3 studies evaluated the same endpoint and reported true/false positive and negative values, a meta-analysis was conducted to obtain pooled area under the curve (AUC), sensitivity, and specificity. Bias was assessed using the PROBAST + AI tool.

Results

This review included 24 studies, of which 18 evaluated PM presence, 2 assessed PM severity (low versus high Peritoneal Cancer Index (PCI)), and 4 focused on prognosis or treatment efficacy. Meta-analysis of 13 studies evaluating PM presence revealed a pooled AUC of 0.84, sensitivity of 0.75, and specificity of 0.80. Subgroup analysis indicated comparable performance for 2D and 3D imaging data, and lower performance for models detecting occult PM compared to all PM presentations. Incorporating clinical factors into AI and radiomics models improved performance.

Conclusion

AI and radiomics models demonstrated promising performance outcomes for PM evaluation on imaging, showing potential to aid in diagnosis and prognosis prediction. However, large validation studies are needed to evaluate their effects in clinical practice.

Introduction

腹膜转移（Peritoneal Metastases, PM）是胃癌、结直肠癌或卵巢癌等恶性肿瘤常见的转移形式，与患者预后不良密切相关，并显著影响治疗方案的选择。在癌症诊断时评估转移灶（包括PM）的存在至关重要。一旦发现PM，评估其范围对于治疗决策（如细胞减灭术联合腹腔热灌注化疗（CRS-HIPEC）、加压腹腔内气溶胶化疗（PIPAC）等）具有指导意义。这些治疗的适用性取决于PM的严重程度，因此PM的早期检测尤为关键。

术前影像学检查是评估原发肿瘤和远处转移的常规手段。虽然广泛PM可主要依靠影像学诊断，但评估PM范围的“金标准”是诊断性腹腔镜（DLS），术中会使用经过验证的腹膜癌指数（Peritoneal Cancer Index, PCI）进行评分，该指数与患者生存率有很强的相关性。然而，DLS是一种有创、昂贵且存在并发症风险的操作。

近年来，人工智能（Artificial Intelligence, AI）和影像组学（Radiomics）模型被探索用于增强PM的检测、评估其范围并预测患者预后。影像组学模型从图像中提取关于纹理、形状、强度和空间关系的特征，并通过统计或机器学习技术筛选最相关的特征以构建分类器。而AI模型，尤其是基于深度学习（Deep Learning）的方法，则无需显式的特征工程，能够直接从数据中自动学习影像特征。本综述旨在全面概述并评估基于影像学的AI和影像组学模型在PM诊断和预后中的性能。

Methods

本系统评价遵循预后研究系统评价和Meta分析优先报告项目（PRISMA）指南以及诊断准确性研究（PRISMA-DTA）指南，并在PROSPERO（CRD42023453025）注册。

Study selection

筛选过程见图1（PRISMA流程图）。去除重复记录后，对212条记录进行了筛选，其中100篇根据全文进行了资格评估。最终，24项研究被纳入本综述。

Study characteristics

纳入研究的特点见表1和图2。最早关注利用AI或影像组学评估影像学PM的研究发表于2019年。在纳入的24项研究中，有22项在中国进行。

Results

纳入研究与模型性能

本综述共纳入24项研究，其中18项评估PM的存在，2项评估PM的严重程度（低PCI vs 高PCI），4项关注预后或治疗效果。对13项评估PM存在的研究进行的荟萃分析显示，合并曲线下面积（AUC）为0.84，敏感性为0.75，特异性为0.80，表明这些模型具有较高的综合诊断效能。

亚组分析与性能影响因素

亚组分析显示，基于二维（2D）和三维（3D）影像数据的模型性能相当。然而，与检测所有PM表现相比，用于检测隐匿性PM（occult PM）的模型性能相对较低。一个重要的发现是，将临床因素整合到AI和影像组学模型中能够进一步提升其性能。

Discussion

本综述和荟萃分析评估了基于影像学的影像组学和AI模型在诊断PM或预测患者预后方面的性能，全面概述了近年来在不同原发癌类型的PM影像学评估领域的最新进展。模型的整体性能较高，显示出巨大的临床转化潜力。将临床因素与影像模型相结合被证明是进一步提升性能的有效策略。

Conclusion

本系统评价和荟萃分析表明，影像组学和AI模型在增强PM无创诊断和治疗选择方面展现出令人鼓舞的性能结果，有望有助于提高诊断准确性、预测治疗反应，并最终为PM的临床决策提供信息支持。然而，仍需进行大规模验证研究，并在临床实践中测试这些模型的附加价值。