Artificial Intelligence for Mohs and Dermatologic Surgery: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
BACKGROUND: Over the past decade, several studies have shown that potential of artificial intelligence (AI) in dermatology. However, there has yet to be a systematic review evaluating the usage of AI specifically within the field of Mohs micrographic surgery (MMS). OBJECTIVE: In this review, we aimed to comprehensively evaluate the current state, efficacy, and future implications of AI when applied to MMS for the treatment of nonmelanoma skin cancers (NMSC). MATERIALS AND METHODS: A systematic review and meta-analysis was conducted following PRISMA guidelines across several databases, including PubMed/MEDLINE, Embase, and Cochrane libraries. A predefined protocol was registered in PROSPERO, with literature search involving specific keywords related to AI and Mohs surgery for NMSC. RESULTS: From 23 studies evaluated, our results find that AI shows promise as a prediction tool for precisely identifying NMSC in tissue sections during MMS. Furthermore, high AUC and concordance values were also found across the various usages of AI in MMS, including margin control, surgical recommendations, similarity metrics, and in the prediction of stage and construction complexity. CONCLUSION: The findings of this review suggest promising potential for AI to enhance the accuracy and efficiency of Mohs surgery, particularly for NMSC.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,017 | 0,006 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».