综述：人工智能在脑肿瘤分割、治疗计划制定及预后预测方面的应用：一项全面的系统评价和荟萃分析

《Journal of Neuro-Oncology》：Performance of artificial intelligence for brain tumor segmentation, treatment planning, and outcome prediction: a comprehensive systematic review and meta-analysis

AI在脑肿瘤放疗中的应用效果：元分析显示AI模型在诊断/预测（AUC 0.856）、分割（DSC 0.840）和剂量学指标（靶区覆盖0.976）上表现良好，但存在异质性高（医生覆盖率达25.8%）和结果报告不统一问题，需加强标准化评估和前瞻性临床验证。

　　

摘要

背景

用于神经肿瘤学的人工智能（AI）工具正迅速应用于临床工作流程中，涉及图像分割、治疗计划制定和预后预测，但其实际性能及其与临床结果的关联仍不确定。我们进行了一项荟萃分析，以综合各项研究中的诊断/预测准确性、分割质量、剂量学替代指标、临床医生的干预情况以及患者预后结果。

方法

我们在主要数据库中搜索了关于AI模型应用于脑肿瘤放疗的定量性能的研究。使用具有逆方差加权的随机效应模型对结果进行了汇总，并进行了预先指定的亚组分析，同时评估了研究间的异质性。

结果

在所有AI任务中，AUC（曲线下面积）为0.856，其中治疗计划制定的AUC高于预后预测的AUC。DSC（剂量学一致性）为0.840。准确率为0.842：治疗计划制定的准确率为0.852，预后预测为0.824，转移瘤为0.863，胶质瘤为0.875。灵敏度为0.854（治疗计划制定为0.886；预后预测为0.817；转移瘤为0.848；胶质瘤为0.914）。特异性为0.845（治疗计划制定为0.953；预后预测为0.793；转移瘤为0.856）。剂量学偏差（HD）分别为8.51毫米（转移瘤）、4.46毫米（转移瘤）和10.07毫米（胶质瘤）。剂量学一致性在转移瘤中为0.900，在胶质瘤中为0.917；目标覆盖率为0.976（转移瘤中为0.969）。临床医生干预率为0.258（转移瘤中为0.332）。总生存期（OS）分别为19.13个月（所有患者）、15.5个月（转移瘤患者）和17.53个月（胶质母细胞瘤患者）。

结论

用于脑肿瘤放疗的AI在区分能力、分割效果方面表现出色，具有令人满意的剂量学替代指标和高目标覆盖率。AI辅助的分割和计划制定可以简化放疗工作流程，减轻手动轮廓勾画的负担，同时保持较高的空间准确性和剂量学质量。然而，由于研究间的高度异质性、报告指标的多样性以及临床医生干预率的差异，需要标准化评估、前瞻性临床验证和一致的报告机制，以便将技术优势转化为实际应用。

背景

用于神经肿瘤学的人工智能（AI）工具正迅速应用于临床工作流程中，涉及图像分割、治疗计划制定和预后预测，但其实际性能及其与临床结果的关联仍不确定。我们进行了一项荟萃分析，以综合各项研究中的诊断/预测准确性、分割质量、剂量学替代指标、临床医生的干预情况以及患者预后结果。

方法

我们在主要数据库中搜索了关于AI模型应用于脑肿瘤放疗的定量性能的研究。使用具有逆方差加权的随机效应模型对结果进行了汇总，并进行了预先指定的亚组分析，同时评估了研究间的异质性。

结果

在所有AI任务中，AUC（曲线下面积）为0.856，其中治疗计划制定的AUC高于预后预测的AUC。DSC（剂量学一致性）为0.840。准确率为0.842：治疗计划制定的准确率为0.852，预后预测为0.824，转移瘤为0.863，胶质瘤为0.875。灵敏度为0.854（治疗计划制定为0.886；预后预测为0.817；转移瘤为0.848；胶质瘤为0.914）。特异性为0.845（治疗计划制定为0.953；预后预测为0.793；转移瘤为0.856）。剂量学偏差（HD）分别为8.51毫米（所有患者）、4.46毫米（转移瘤患者）和10.07毫米（胶质瘤患者）。剂量学一致性在转移瘤中为0.900，在胶质瘤中为0.917；目标覆盖率为0.976（转移瘤中为0.969）。临床医生干预率为0.258（转移瘤中为0.332）。总生存期（OS）分别为19.13个月（所有患者）、15.5个月（转移瘤患者）和17.53个月（胶质母细胞瘤患者）。

结论

用于脑肿瘤放疗的AI在区分能力、分割效果方面表现出色，具有令人满意的剂量学替代指标和高目标覆盖率。AI辅助的分割和计划制定可以简化放疗工作流程，减轻手动轮廓勾画的负担，同时保持较高的空间准确性和剂量学质量。然而，由于研究间的高度异质性、报告指标的多样性以及临床医生干预率的差异，需要标准化评估、前瞻性临床验证和一致的报告机制，以便将技术优势转化为实际应用。