综述：基于影像的机器学习与深度学习模型预测乳腺癌远处转移的系统评价与Meta分析

《Langenbeck's Archives of Surgery》：Performance of machine learning (ML) and deep learning (DL) algorithms in prediction of breast cancer distant metastasis via imaging: a systematic review and meta?analysis

　　

摘要

背景

远处转移是乳腺癌死亡的主要原因。早期预测可能有助于风险适应性监测和治疗规划。我们评估了基于影像的机器学习（ML）和深度学习（DL）模型，用于预测无基线转移性疾病的患者的未来远处转移。

方法

检索PubMed、Scopus、Web of Science数据库及Google Scholar补充检索，检索截止日期为2025年6月。纳入标准是评估基于影像的人工智能预测模型并报告定量性能的研究。主要结局指标为受试者工作特征曲线下面积（AUC）。采用PROBAST + AI工具评估偏倚风险。进行随机效应Meta分析、探索性子组分析及单变量Meta回归。

结果

九项研究共贡献43项模型评估。合并模型层面AUC为0.80（95%CI：0.77–0.84）。仅纳入每项研究中最优模型的二次分析显示AUC为0.89（95%CI：0.83–0.95）。基于CT的模型AUC高于基于MRI的模型（0.83 vs. 0.71），纳入临床病理特征的模型AUC高于仅基于影像的模型（0.91 vs. 0.74）。探索性Meta回归发现影像学模态、随访时长及纳入临床病理特征与AUC相关。异质性较大，九项研究中五项存在高偏倚风险。

结论

基于影像的机器学习与深度学习模型在预测未来远处转移方面显示出潜力。在辅助治疗背景下，经过外部验证的模型可支持风险分层和个体化监测，但现有证据尚不足以支持仅依据人工智能预测结果改变监测或治疗方案。在临床应用前，需要前瞻性外部验证和透明报告。