综述:基于人工智能的拉曼光谱技术在胃癌诊断中的准确性:一项系统评价和荟萃分析

《Lasers in Medical Science》:Accuracy of AI-based raman spectroscopy in the diagnosis of gastric cancer: a systematic review and meta-analysis

【字体: 大 中 小 】 时间:2026年01月07日 来源:Lasers in Medical Science 2.4

编辑推荐:

  胃癌诊断;Raman光谱;机器学习;Meta分析;KNN模型

  

摘要

胃癌(GC)仍然是一个严重的全球健康挑战,其高死亡率往往源于晚期诊断。我们假设,拉曼光谱(RS)(一种利用光分析组织分子组成的现代微创技术,能够生成独特的“指纹”,揭示生化细节,从而区分正常组织和病变组织)与机器学习(ML)结合使用,将提供一种准确且快速的方法来检测胃癌。我们的目标是进行荟萃分析,以评估基于ML的RS技术在区分胃癌成分与正常组织方面的诊断准确性。本研究遵循PRISMA-DTA指南进行。我们搜索了PubMed、Scopus、Web of Science、VHL和Google Scholar数据库,截止时间为2025年2月底,并在2025年7月14日进行了更新搜索。纳入的研究均经过同行评审,评估了基于ML的RS技术在内镜检查中检测胃癌成分与正常对照组的有效性,并提供了足够的数据来构建2×2列联表,以评估敏感性、特异性等基本诊断指标。使用QUADAS-2偏倚风险工具对符合条件的研究的方法学质量进行了评估。通过R软件提取了真阳性、真阴性、假阳性和假阴性的数据,以计算汇总的敏感性、特异性、阳性似然比(PLR)、阴性似然比(NLR)、诊断比值比(DOR)和总结接收者操作特征曲线下面积(AUC)。通过I2统计量评估了异质性,并使用Deeks漏斗图来检查潜在的出版偏倚。此外,我们根据样本来源、RS技术、AI模型和实验背景对各项研究指标进行了进一步分组,以控制多种混杂因素,从而巩固研究结果。共有28项研究被纳入分析,涉及2,392名患者和8,861份胃部光谱数据。其中21项研究(75%)采用每光谱分析的方法来评估胃癌组织与非病理组织之间的诊断效用;另外7项研究(25%)则按患者分层进行分析,将胃癌患者与健康受试者进行对比。每光谱分析方法的汇总敏感性估计值为92%(95%置信区间:88–95%),特异性为93%(95%置信区间:89–96%),AUC为0.955。而按患者评估方法进行的汇总分析也显示出优异的敏感性、特异性和AUC,分别为95%(95%置信区间:87–98%)、93%(95%置信区间:89–95%)和0.928。 subgroup分析显示,使用KNN模型的研究具有最高的诊断准确性。传统拉曼光谱技术在大多数指标上也表现优异。基于血清的样本比组织样本具有更高的敏感性和特异性,但由于相关研究数量有限,需谨慎解读。体外研究的诊断准确性略高于体内研究,但差异并无统计学意义。各光谱研究之间存在显著异质性(敏感性的I2值为82.1%,特异性的I2值为91.2%),但在患者分层分析中未见显著的研究间差异(敏感性的I2值为27.3%,特异性的I2值为0%)。根据Deeks漏斗图不对称性测试,未检测到显著的出版偏倚,每光谱分析的p值为0.394,每患者分析的p值为0.858。我们的荟萃分析结果表明,来自不同身体部位的、采用不同ML算法类型的ML增强RS显著提高了胃癌检测率,并且在 upper GI 内镜检查中更擅长区分胃癌与正常组织。鉴于我们获得的优异诊断准确性和较低的研究间异质性,这种方法能够实现更精确和实时的决策,关于是否进行活检或切除。将基于ML的显著光谱检测整合到临床工作流程中,尤其是在内镜检查期间,将有助于优化假阴性率和患者的整体预后。

胃癌(GC)仍然是一个严重的全球健康挑战,其高死亡率通常是由于晚期诊断造成的。我们假设,拉曼光谱(RS)(一种利用光分析组织分子组成的现代微创技术,能够生成独特的“指纹”,揭示生化细节,从而区分正常组织和病变组织)与机器学习(ML)结合使用,将提供一种准确且快速的方法来检测胃癌。我们的目标是进行荟萃分析,以评估基于ML的RS技术在区分胃癌成分与正常组织方面的诊断准确性。本研究遵循PRISMA-DTA指南进行。我们搜索了PubMed、Scopus、Web of Science、VHL和Google Scholar数据库,截止时间为2025年2月底,并在2025年7月14日进行了更新搜索。纳入的研究均经过同行评审,评估了基于ML的RS技术在内镜检查中检测胃癌成分与正常对照组的有效性,并提供了足够的数据来构建2×2列联表,以评估敏感性、特异性等基本诊断指标。使用QUADAS-2偏倚风险工具对符合条件的研究的方法学质量进行了评估。通过R软件提取了真阳性、真阴性、假阳性和假阴性的数据,以计算汇总的敏感性、特异性、阳性似然比(PLR)、阴性似然比(NLR)、诊断比值比(DOR)和总结接收者操作特征曲线下面积(AUC)。通过I2统计量评估了异质性,并使用Deeks漏斗图来检查潜在的出版偏倚。此外,我们根据样本来源、RS技术、AI模型和实验背景对各项研究指标进行了进一步分组,以控制多种混杂因素,从而巩固研究结果。共有28项研究被纳入分析,涉及2,392名患者和8,861份胃部光谱数据。其中21项研究(75%)采用每光谱分析的方法来评估胃癌组织与非病理组织之间的诊断效用;另外7项研究(25%)则按患者分层进行分析,将胃癌患者与健康受试者进行对比。每光谱分析方法的汇总敏感性估计值为92%(95%置信区间:88–95%),特异性为93%(95%置信区间:89–96%),AUC为0.955。而按患者评估方法进行的汇总分析也显示出优异的敏感性、特异性和AUC,分别为95%(95%置信区间:87–98%)、93%(95%置信区间:89–95%)和0.928。 subgroup分析显示,使用KNN模型的研究具有最高的诊断准确性。传统拉曼光谱技术在大多数指标上也表现优异。基于血清的样本比组织样本具有更高的敏感性和特异性,但由于相关研究数量有限,需谨慎解读。体外研究的诊断准确性略高于体内研究,但差异并无统计学意义。各光谱研究之间存在显著异质性(敏感性的I2值为82.1%,特异性的I2值为91.2%),但在患者分层分析中未见显著的研究间差异(敏感性的I2值为27.3%,特异性的I2值为0%)。根据Deeks漏斗图不对称性测试,未检测到显著的出版偏倚,每光谱分析的p值为0.394,每患者分析的p值为0.858。我们的荟萃分析结果表明,来自不同身体部位的、采用不同ML算法类型的ML增强RS显著提高了胃癌检测率,并且在 upper GI 内镜检查中更擅长区分胃癌与正常组织。鉴于我们获得的优异诊断准确性和较低的研究间异质性,这种方法能够实现更精确和实时的决策,关于是否进行活检或切除。将基于ML的显著光谱检测整合到临床工作流程中,尤其是在内镜检查期间,将有助于优化假阴性率和患者的整体预后。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号