综述：人工智能辅助超声在多囊卵巢综合征诊断中的应用：系统综述、偏倚风险评估与转化挑战

《Journal of Ovarian Research》：Artificial intelligence in ultrasound imaging for polycystic ovary syndrome (PCOS): methodological advances, bias, and clinical translation

多腺体代谢性卵巢综合征（PMOS），以前称为多囊卵巢综合征（PCOS），是一种具有生殖和代谢特征的多发性内分泌和代谢疾病。在传统的PCOS诊断体系中，超声是评估多囊卵巢形态（PCOM）的主要成像方法，但其解读结果受到操作者差异、观察者间差异、图像质量以及主观判断的影响。人工智能（AI），尤其是机器学习（ML）和深度学习（DL），越来越多地被应用于基于超声的PCOS诊断中，包括自动化图像分析、卵泡分割、特征提取以及诊断分类。本综述综合了2017年至2026年间发表的65项研究的证据，这些研究是通过对主要生物医学和工程数据库进行结构化搜索筛选得到的。使用预测模型偏倚风险评估工具（PROBAST）对53项符合条件的预测模型研究的方法学质量和偏倚风险进行了评估，发现分析领域存在显著的偏倚风险；结果通过ROBVIS工具进行了可视化展示。本综述重点关注AI辅助的超声成像技术，仅在超声成为诊断框架不可或缺的一部分时才纳入多模态研究。尽管各研究中报告的诊断性能总体较高，但由于数据集、成像协议、结果定义、预处理方法、模型开发及验证策略的差异，直接比较受到限制。对回顾性、单中心数据集的频繁依赖、外部验证的有限性以及报告不一致性，都限制了现有AI模型普遍适用性和临床应用的信心。临床转化的其他障碍包括可解释性、数据管理、监管要求以及工作流程整合。未来的研究应优先考虑标准化报告、代表不同人群的多中心数据集、前瞻性外部验证、透明的模型开发以及符合监管要求的评估，以确立AI辅助超声系统在PCOS诊断中的可靠性和临床适用性。

摘要

多腺体代谢性卵巢综合征（PMOS），以往称为多囊卵巢综合征（PCOS），是一种具有生殖和代谢特征的多发性内分泌和代谢疾病。在传统的PCOS诊断体系中，超声是评估多囊卵巢形态（PCOM）的主要成像方法，但其解读结果受到操作者差异、观察者间差异、图像质量以及主观判断的影响。人工智能（AI），尤其是机器学习（ML）和深度学习（DL），越来越多地被应用于基于超声的PCOS诊断中，包括自动化图像分析、卵泡分割、特征提取以及诊断分类。本综述综合了2017年至2026年间发表的65项研究的证据，这些研究是通过对主要生物医学和工程数据库进行结构化搜索筛选得到的。使用预测模型偏倚风险评估工具（PROBAST）对53项符合条件的预测模型研究的方法学质量和偏倚风险进行了评估，发现分析领域存在显著的偏倚风险；结果通过ROBVIS工具进行了可视化展示。本综述重点关注AI辅助的超声成像技术，仅在超声成为诊断框架不可或缺的一部分时才纳入多模态研究。尽管各研究中报告的诊断性能总体较高，但由于数据集、成像协议、结果定义、预处理方法、模型开发及验证策略的差异，直接比较受到限制。对回顾性、单中心数据集的频繁依赖、外部验证的有限性以及报告不一致性，都限制了现有AI模型普遍适用性和临床应用的信心。临床转化的其他障碍包括可解释性、数据管理、监管要求以及工作流程整合。未来的研究应优先考虑标准化报告、代表不同人群的多中心数据集、前瞻性外部验证、透明的模型开发以及符合监管要求的评估，以确立AI辅助超声系统在PCOS诊断中的可靠性和临床适用性。