综述：基于人工智能的肺栓塞检测的Meta分析：深度学习模型有多可靠？

这篇综述通过Meta分析评估了深度学习（DL）模型在CT肺动脉造影（CTPA）中检测肺栓塞（PE）的可靠性。研究显示DL算法整体表现优异（AUROC 0.895），其中U-Net架构敏感性更高（0.899），而卷积神经网络（CNN）特异性更优（0.926），为临床AI应用提供了重要循证依据。

　　

Abstract
深度学习（DL）方法在CT肺动脉造影（CTPA）中检测肺栓塞（PE）展现出显著潜力。本研究通过Meta分析整合24项研究（n=22,984），发现DL模型整体AUROC达0.895（95%CI:0.874–0.917），敏感性0.894，特异性0.871。值得注意的是，U-Net架构在敏感性（0.899 vs 0.893）方面略胜一筹，而CNN模型则表现出更高的特异性（0.926 vs 0.900），两组差异具有统计学意义（p<0.001）。

Introduction
肺栓塞作为致命性心血管急症，其CTPA诊断仍存在挑战——小血栓易漏诊，工作负荷导致报告延迟可能影响治疗时机。深度学习技术中，CNN将PE检测视为分类任务，而U-Net则通过分割肺动脉实现血栓定位。这两种方法虽均报告了优异性能，但研究间的设计差异阻碍了客观比较。

Materials and methods
研究遵循PRISMA指南，系统检索截至2025年4月的文献。采用DerSimonian–Laird随机效应模型合并敏感性与特异性，通过固定效应模型整合AUROC值。对缺失数据采用50%PE患病率假设进行重建，AUROC未直接报告时取敏感性与特异性的均值。

Results
纳入研究显示DL算法诊断性能稳定：准确性0.857，PPV 0.832，NPV 0.902。异质性分析揭示研究间差异显著（I²≈97%）。亚组分析中，U-Net对真阳性识别更具优势（p=0.0002），而CNN能更有效减少假阳性（p<0.001）。

Discussion
该分析证实DL在PE检测中具有临床级诊断效能，但架构选择需权衡敏感性与特异性。U-Net适合筛查场景，而CNN更适用于确认性诊断。值得注意的是，现有研究的高异质性（I²>75%）提示需规范研究设计和前瞻性验证。未来工作应关注模型可解释性，并将AI工具整合到放射科工作流程中进行实时评估。