Artificial Intelligence Used for the Diagnosis, Treatment and Surveillance of Hepatocellular Carcinoma: A Systematic Review
Notice bibliographique
Résumé
Introduction: Hepatocellular Carcinoma (HCC) is the most common type of liver cancer, compromising about 75% of all liver cancers. The advancement in artificial intelligence (AI) has paved the way in the field of liver cancers to help clinicians with early diagnosis, treatment guidance and surveillance for HCC. The aim of this review was to summarize different AI-assisted methods that could be used in the diagnosis, treatment, and surveillance of HCC throughout the literature. Methods: PubMed and MEDLINE OVID databases were searched for primary studies involving AI and HCC published from 2012 to February 2022. Data was obtained, including study characteristics and outcome measures: accuracy, area under curve (AUC), specificity, sensitivity, and errors. A narrative synthesis was used to summarize the findings. Results: The systematic search produced 340 studies, of which 36 met the pre-determined eligibility criteria. The studies were published between 2012 to 2020. All the studies with their respective AI models/algorithms were described and summarized in the tables according to their role in the diagnosis, treatment, or surveillance of HCC. All the studies included used different AI algorithms, out of which, most were used for diagnostic purposes (44%), followed by treatment prediction (38%) and then surveillance of HCC (18%). Among studies, 38% reported their results as AUC, 33% of the studies reported accuracy, 19% reported sensitivity and specificity, 4% reported concordance indices (C-indices), 3% reported the mean errors and 2% reported AUROC values for respective AI models used. The accuracy of the diagnostic, treatment and surveillance tools range from 40% to 99%, 50% to 90% and 70% to 95% respectively. Conclusion: Many AI models are available that show promising results for the different applications in diagnosis, treatment, and surveillance of HCC. However, the demand for the generalization of these results remains. Future research should focus on improving the results and accuracy of these algorithms used for HCC to reduce the risks in complicated procedures.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,006 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».