编辑推荐：
本文是关于人工智能（AI）在神经外科诊断中应用的系统综述。通过检索多个数据库，分析 193 项研究发现，AI 在神经肿瘤学、血管神经外科等领域有较高诊断准确性，但不同研究的敏感性、特异性等指标存在差异，未来需标准化数据集与模型优化。
引言
人工智能（AI）能让计算机完成需人类认知的任务，在神经外科的多个领域，如神经肿瘤学、血管神经外科、功能神经外科和脊柱神经外科，AI 正越来越多地用于提高诊断精度，辅助复杂手术。机器学习（ML）作为 AI 的子集，通过在患者病史、扫描等数据上训练算法，让 AI 识别模式，进而对新患者进行诊断。目前出现了多种 AI 方法：
- 监督学习：在标记的数据集（如 MRI 图像）上训练模型，用于疾病分类、预测连续变量等，常见算法有逻辑回归（LR）、支持向量机（SVM）、神经网络（NN）等。LR 简单易解释，但需大样本保证准确性；SVM 建模灵活但易过拟合；NN 预测能力强，深度神经网络（DNN）更复杂，预测性能优于传统模型 。
- 无监督学习：在无标记输出的数据集上训练模型，能自主识别模式和聚类数据，可发现新的胶质瘤亚型或检测细微异常。
- 强化学习：AI 根据正确或错误结果获得奖励或惩罚，迭代提高诊断准确性。
- 半监督学习：结合少量标记数据和大量未标记数据，增强检测准确性，对罕见肿瘤类型或细微病理变化的诊断很有用。
研究问题
在接受神经外科疾病诊断评估的患者中，AI 辅助诊断工具在准确性、敏感性和特异性等指标上表现如何？
材料和方法
- 搜索策略：2024 年 9 - 10 月，系统搜索 PubMed、Cochrane Library、中国知网（CNKI）、Embase 和 ClinicalTrials.gov，使用特定术语组合和布尔运算符，确保全面检索相关研究。
- 纳入标准：涉及 AI 在神经外科诊断中的研究、报告定量性能指标、中英文发表、原创研究且聚焦于脊柱疾病、癫痫、神经肿瘤学或脑血管疾病诊断。
- 排除标准：与诊断神经外科无关、缺乏可衡量结果、2020 年前发表、使用未经验证或理论模型无临床应用、撤回的出版物、会议论文等。
- 筛选：使用 Covidence 软件筛选标题和摘要，去除重复文献。两名 reviewers 独立进行筛选，有分歧时经讨论或由第三位 reviewer 裁决，使用 PROBAST 工具评估剩余研究的偏倚风险。
结果
- 数据提取：193 篇文章经两名独立 reviewers 提取数据，收集研究细节、AI 模型信息、数据集信息、目标疾病和性能指标等变量。
- AI 在诊断神经外科的发表情况：近年来，AI 在诊断神经外科的应用研究发表数量急剧增加。
- 发表研究的国家：亚洲在 AI 神经外科研究方面贡献最大，中国发表数量最多，其次是印度、韩国和日本。北美和欧洲也有不少研究成果，其他地区相对较少。
- AI 模型类型：研究中使用的 AI 模型多样，主要包括神经网络（30%）和混合模型（48.2%）。混合模型融合多种技术，反映了 AI 发展初期的创新尝试。
- 训练技术：多数研究（177 篇）采用监督学习，少量研究使用无监督学习、迁移学习和强化学习。
- 输入数据类型：MRI 是最常用的输入数据，其次是 CT、超声和 X 射线 / EEG 等。
- 研究重点分布：研究主要集中在神经肿瘤学（52.69%）、血管神经外科（19.89%）、功能神经外科（16.67%）和脊柱神经外科（11.83%）。
- 性能指标：评估 AI 模型性能最常用的指标是准确性、敏感性、特异性和 AUC。
- AI 模型的准确性
- 神经肿瘤学：在正常与异常组织分类、肿瘤亚型和分级、肿瘤识别和诊断、肿瘤分割和描绘等方面，多数研究的中位数准确率超 85%，但不同研究间各指标存在差异。
- 血管神经外科：在中风检测、颅内出血检测和动脉瘤诊断方面，模型准确性较高，部分指标表现突出，如颅内出血检测的 AUC 中位数达 97%。
- 功能神经外科：在帕金森病、痴呆、癫痫和多发性硬化等疾病的诊断中，部分研究准确率超 90%，但部分研究数据集较小。
- 脊柱神经外科：在脊柱疾病检测和脊柱分割方面，准确性较高，特异性常超 90%，自动分割技术也有不错结果，但仍需临床验证。
讨论
- AI 的应用潜力：AI 在神经外科各亚领域展现出未来应用潜力，许多研究的中位数准确率超 85%。在神经肿瘤学中，能辅助区分肿瘤等级；血管神经外科中，可减少不必要的随访成像；功能神经外科虽数据集小，但诊断准确率高；脊柱神经外科能有效排除假阳性。
- 面临的挑战：AI 模型临床整合困难，存在法律责任问题，且目前研究存在局限性，如缺乏数据加权和荟萃分析、数据收集时间有限、研究质量参差不齐、部分研究偏倚风险较高等。
- 临床转化相关性：AI 有望改善术前规划、术中指导和术后监测，但在临床医生培训、监管审批和融入现有工作流程等方面存在挑战，需多方合作解决。
- 未来展望：未来 AI 发展应注重前瞻性、多中心研究验证，整合多种成像技术，关注罕见病诊断，建立标准化数据集，进行真实世界临床测试。
结论
AI 在神经外科诊断中提高准确性的潜力巨大，在多个领域有较高的诊断准确率。然而，不同研究间敏感性、特异性和 AUC 的显著差异表明，需要标准化数据集和真实世界验证，以确保临床可靠性。未来应聚焦于数据集标准化、模型优化和临床验证，使 AI 技术在神经外科实践中更有效可行。
