基于CT的机器学习模型鉴别诊断肾肿瘤良恶性的Meta分析

作者：地里亚尔·地里夏提; 鲁剑德; 木拉提·热夏提; 热衣汉·西里甫; 拜合提亚·阿扎提^*

来源：现代泌尿外科杂志, 2022, 27(12): 1036-1045.

• 肾肿瘤
• 肾细胞癌
• 人工智能
• 机器学习
• 计算机断层扫描
• 肾嗜酸细胞瘤
• 肾乏脂肪血管平滑肌脂肪瘤
• Meta分析

目的 采用Meta分析评价基于CT的机器学习模型(ML)在鉴别诊断难辨别肾良性肿瘤与肾细胞癌的价值。方法 检索PubMed、The Cochrane Library、Web of Science、Medline、CNKI、万方数据库自建库至2022年3月发表的有关基于CT的ML模型鉴别诊断难辨别的肾良性肿瘤(肾嗜酸细胞瘤、肾乏脂肪血管平滑肌脂肪瘤)与肾细胞癌的中英文文献。采用Stata 14.0、RevMan 5.4、meta-Disc 1.4软件进行Meta分析，计算纳入文献的合并敏感性、合并特异性、阳性似然比、阴性似然比和诊断价值比，绘制总受试者工作曲线(SROC),计算曲线下面积(AUC)。将测试集数量、模型验证策略、学习模型种类进行亚组分析，采用Meta回归分析非阈值效应引起的异质性。结果 共纳入12项文献，合并敏感性、特异性、阳性似然比、阴性似然比、诊断比值比分别为0.76(95%CI:0.68～0.83)、0.84(95%CI:0.78～0.89)、4.9(95%CI:3.5～7.0)、0.28(95%CI:0.21～0.37)、18(95%CI:11～28),绘制SROC曲线，AUC值为0.87,Meta回归显示，测试集数量、模型验证策略、学习模型种类对诊断结果产生的差异无统计学意义。Deek’s漏斗图评估提示无发表偏倚，P=0.264。结论 基于CT的ML模型鉴别诊断难辨别肾良性肿瘤与肾细胞癌时的敏感性、特异性及AUC值均较高，具有临床推广应用的潜力。

• 单位
  新疆医科大学第一附属医院