MRI宫颈癌分割的机器学习与深度学习系统综述

Journal of medical radiation sciences · 2026-09-27 · 综述

• 一句话结论：结论：系统综述提示，机器学习与深度学习算法在MRI宫颈癌自动分割中表现出一定潜力，但证据确定性低，尚不足以下结论支持常规临床实施。
• 研究设计与做法：研究设计与做法：遵循PRISMA的系统综述，PROSPERO注册号CRD420251247441；检索PubMed/MEDLINE、Embase、Scopus、Web of Science、IEEE Xplore与Google Scholar至2025年12月；两名评价者独立筛选、提取数据并用QUADAS-2评估偏倚风险；纳入30项研究，以MRI分割为主，CT与PET多模态研究作为补充证据；因异质性大采用叙述性综合，并用GRADE评估证据确定性。
• 主要结果：主要结果：30项研究主要评估肿瘤、高危临床靶区与危及器官分割；深度学习模型（U-Net变体、卷积神经网络、基于Transformer的架构）报告Dice相似系数范围为0.60至0.93；性能随靶结构、肿瘤特征与成像方案而异；总体偏倚风险为“存在一些担忧”，GRADE评定为低确定性证据。
• 机制或解释：机制或解释：作者未讨论算法性能差异的生物学机制，主要归因于靶结构、肿瘤特征与成像方案差异，以及研究间异质性与方法学局限。
• 局限与边界：局限与边界：主要局限包括患者选择、参考标准与外部验证有限，研究间异质性大、方法学限制与不精确性；多数为单中心或缺乏外部验证，标准化方案不足；利益冲突材料未报告。
• 可否落地：可否落地：该综述提示自动分割在效率与可重复性方面可能有潜在获益，但证据档位为B且GRADE低确定性，尚不足以下结论支持常规临床使用；需多中心、标准化协议与外部验证研究后再评估。

🔗 打开原文

Ahmadi SH, Mohammadi SS, Koozari A 等

本文摘自《每日前沿研究简报 · 2026-09-29》「AI 科研智能体」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。