Diagnostic performance of artificial intelligence in detection of renal cell carcinoma: a systematic review and meta-analysis
Notice bibliographique
Résumé
OBJECTIVES: The detection of renal cell carcinoma (RCC) tumors in the earlier stages is of great importance for more effective treatment. Encouraged by the key role of imaging in the management of RCC, we conducted a systematic review and meta-analysis of the studies that made use of artificial intelligence (AI) for the detection of RCC to quantitatively determine the performance of AI for distinguishing related renal lesions. MATERIALS AND METHODS: PubMed, Scopus, CENTRAL, and Embase electronic databases were systematically searched in November 2024 to identify studies that applied AI for the detection or classification of RCC. We conducted a meta-analysis to evaluate the diagnostic performance of utilized algorithms. Moreover, meta-regression was conducted over suspected covariates to evaluate potential sources of inter-study heterogeneity. Publication bias and quality assessment were also done for the included studies. RESULTS: Sixty-four studies were included in this systematic review, of which 31 studies were selected for meta-analysis. The studies assessing algorithms' performance on internal validation showed pooled sensitivity and specificity of 85% (95% confidence interval [CI], 82 to 87) and 76% (95% CI, 70 to 80), respectively. Moreover, externally validated Al algorithms had a pooled sensitivity and specificity of 80% (95% CI, 73 to 84) and 90% (95% CI, 84 to 93), respectively. Studies that performed internal validation for clinician performance had a pooled sensitivity of 79% (95% CI, 72 to 85) and specificity of 60% (95% CI, 49 to 70). CONCLUSION: The findings of the present study validate the acceptable performance of AI algorithms when contrasted with medical professionals in the identification and categorization of RCC. Nevertheless, the presence of heterogeneity between studies and the absence of coherence in the results underscore the necessity for the cautious interpretation of these results and additional prospective studies.
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 | 0,022 | 0,064 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,017 | 0,042 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».