The Use of Artificial Intelligence In Magnetic Resonance Imaging of Epilepsy: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
ABSTRACT Background The application of artificial intelligence (AI)/machine learning (ML) to MRI can be a powerful tool to streamline clinical decision-making, yet variability amongst MRI sequences and algorithms have hindered appropriate assessment of reliability and generalizability. Methods We conducted a systematic review and meta-analysis of the ability of current AI/ML models operating on MRI data for: 1) epilepsy diagnosis, 2) temporal lobe epilepsy lateralization, 3) lesion localization, and 4) post-surgical outcome prediction. Searches were conducted across PubMed, Medline, and Embase databases from inception until January 1, 2025. We selected studies that employed AI/ML models trained on any MRI modality to classify at least ten patients across the four main objectives for qualitative assessment, and further included in the meta-analysis if they reported an accuracy rate. The primary outcome of the meta-analysis was the overall accuracy of AI/ML models trained on MRI data. The secondary outcome was the concomitant risk of bias evaluation using PROBAST. Findings We identified 158 studies for qualitative evaluation and 127 studies for inclusion in the meta-analysis. AI/ML on multimodal MRI could accurately distinguish epilepsy patients from healthy controls (overall accuracy: 88% [85-90]), lateralize temporal lobe epilepsy (90% [87-93]), localize epileptogenic lesions (82% [74-88]), and predict post-surgical seizure-freedom (83% [78-87]). Overall, a high risk of bias remains in the literature; participant bias remained high across all outcomes (64-87%), as well as predictor (88-100%) and analysis (83-100%) bias. Outcome bias was low only for AI/ML studies predicting post-surgical outcomes. Interpretation Our results support promising accuracy of AI/ML models in epilepsy diagnostics and prognostics but remain highly susceptible to bias in participants, predictors, outcome, and analysis domains which limits current translation to routine clinical practice. We encourage closer interdisciplinary collaboration between clinical and scientific groups to improve validation studies based on thorough study design, analysis, and reporting.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».