Systematic Review and Meta-Analysis of AI-Assisted Mammography and the Systemic Immune-Inflammation Index in Breast Cancer: Diagnostic and Prognostic Perspectives
Notice bibliographique
Résumé
Background and Objectives: Breast cancer remains a significant global health burden, demanding continuous innovation in diagnostic and prognostic tools. This meta-analysis and systematic review aims to synthesize evidence from 2015 to 2025 regarding the diagnostic utility of artificial intelligence (AI) in mammography and the prognostic value of the Systemic Immune-Inflammation Index (SII) in breast cancer patients. Materials and Methods: A systematic literature search was conducted in PubMed, Google Scholar, EMBASE, Web of Science, and Scopus. Studies evaluating AI performance in mammographic breast cancer detection and those assessing the prognostic significance of SII (based on routine hematologic parameters) were included. The risk of bias was assessed using QUADAS-2 and the Newcastle–Ottawa Scale. Meta-analyses were conducted using bivariate and random-effects models, with subgroup analyses by clinical and methodological variables. Results: Twelve studies were included, five assessing AI and seven assessing SII. AI demonstrated high diagnostic accuracy, frequently matching or surpassing that of human radiologists, with AUCs of up to 0.93 and notable reductions in radiologist reading times (17–91%). Particularly in dense breast tissue, AI improved detection rates and workflow efficiency. SII was significantly associated with poorer outcomes, including reduced overall survival (HR ~1.97) and disease-free survival (HR ~2.07). However, variability in optimal cut-off values for SII limits its immediate clinical standardization. Conclusions: AI enhances diagnostic precision and operational efficiency in mammographic screening, while SII offers a cost-effective prognostic biomarker for systemic inflammation in breast cancer. Their integration holds promise for more personalized care. Nevertheless, challenges persist regarding prospective validation, standardization, and equitable access, which must be addressed through future translational research.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,010 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».