应用无线胶囊内窥镜计算机辅助诊断胃肠道溃疡和出血:系统评价和诊断测试准确性meta分析gydF4y2Ba

介绍gydF4y2Ba

无线胶囊内窥镜(WCE)允许以无创方式调查胃肠道粘膜病变。这可以提供大约50,000到60,000个视频帧，并且可以在一次检查中可视化整个胃肠道粘膜，而不会给患者带来不适或手术相关不良事件的风险[gydF4y2Ba1gydF4y2Ba，gydF4y2Ba2gydF4y2Ba]。鉴于小肠一直是胃肠病学家的盲点，WCE已成为隐蔽性消化道出血的标准调查方式，也是小肠溃疡或肿瘤评估的一种被广泛接受的方法[gydF4y2Ba1gydF4y2Ba]。尽管WCE检查方便、安全、患者舒适，但在解释方面存在局限性。需要大约30到120分钟的冗长阅读时间，并且少数异常的视频帧很容易被内窥镜医师误认为是正常的粘膜[gydF4y2Ba1gydF4y2Ba-gydF4y2Ba3.gydF4y2Ba]。gydF4y2Ba

人工智能技术已应用于胃肠道内镜检查，对内镜图像或影像上异常病变的自动检测或诊断已得到广泛研究[gydF4y2Ba4gydF4y2Ba，gydF4y2Ba5gydF4y2Ba]。应用人工智能的主要好处是减少了WCE中费力的阅读时间和重要发现的失误率。另一个优点是高度准确的诊断性能，可与内窥镜医生相媲美[gydF4y2Ba6gydF4y2Ba]。这些人工智能模型有望帮助自动检测WCE图像中的重要病变，从而使整个检查的自动读取和解释成为可能。gydF4y2Ba

先前的研究报道了在WCE中使用人工智能的计算机辅助诊断(CAD)模型的性能[gydF4y2Ba7gydF4y2Ba，gydF4y2Ba8gydF4y2Ba]。这些研究中已经报道了基于机器学习或深度学习的人工智能模型具有潜在的好处。基于这些发现，对深度学习模型或卷积神经网络模型在使用WCE诊断胃肠道出血或溃疡中的综合诊断性能进行了2项meta分析[gydF4y2Ba7gydF4y2Ba，gydF4y2Ba8gydF4y2Ba]。然而，第一次荟萃分析只检索了1个数据库，并且忽略了大量重要的文章。此外，在每项研究中，CAD模型的真阳性(TP)、假阳性(FP)、假阴性(FN)或真阴性(TN)的粗略数字都不准确[gydF4y2Ba7gydF4y2Ba]。这种不准确的汇总诊断性能可能会误导读者。第二个荟萃分析检索了多个数据库;然而，它也没有包括几篇重要的论文，而且只有一个医学图书管理员搜索了所有的数据库[gydF4y2Ba8gydF4y2Ba]。主要的缺陷是对每项研究的敏感性或特异性进行了简单的汇总，而没有考虑每项研究中所有纳入的病变中异常病变的分布。此外，胃肠道溃疡和出血的诊断表现没有分开，而是合并为一个结果，并且每个纳入研究的质量评估也被省略。探讨异质性原因和评价发表偏倚的方法在两项荟萃分析中均遵循介入元分析方法，但不符合诊断检验准确性(DTA)元分析方法。鉴于进行介入meta分析和DTA meta分析的方法不同，并且在进行DTA meta分析时存在广泛接受的标准方法，这也可能误导读者(gydF4y2Ba表1gydF4y2Ba)。因此，迄今为止进行的系统综述还不够充分，CAD模型在WCE中的真正诊断有效性尚未确定。本研究的目的是通过标准方法评估使用WCE图像的CAD模型对胃肠道溃疡或出血的DTA。gydF4y2Ba

方法gydF4y2Ba

遵守系统评价和荟萃分析核对表gydF4y2Ba

这项研究是根据DTA研究的首选报告项目(系统评价和荟萃分析的首选报告项目)的声明进行的[gydF4y2Ba9gydF4y2Ba]。该研究方案在系统评价开始前已在国际前瞻性系统评价登记册(PROSPERO)数据库注册(#CRD42021253454)。春川圣心医院的机构审查委员会的批准被免除。gydF4y2Ba

相关文献的检索策略gydF4y2Ba

作者利用与CAD模型在利用WCE图像检测溃疡或出血的性能相关的关键词建立了搜索公式。使用医学主题目(MeSH)术语关键词建立检索公式(gydF4y2Ba文本框1gydF4y2Ba)。gydF4y2Ba

两位作者CSB和JJL使用预先建立的搜索公式，从创立到2021年5月，分别通过PubMed、Web of Science和Cochrane Library对MEDLINE进行了核心数据库搜索。重复的文章被排除。对所有确定的文章的标题和摘要进行审查，排除不相关的文章。随后进行全文综述，以确定确定的文献是否满足预先建立的纳入标准。还审查了相关文章的参考文献，以确定是否有其他研究。如果CSB和JJL在检索过程中对结果有任何分歧，应与另一位作者(GHB)讨论或协商解决。gydF4y2Ba

文献的纳入标准gydF4y2Ba

本系统综述纳入的文献符合以下纳入标准:旨在评估基于WCE图像的CAD模型对胃肠道溃疡或出血的诊断性能;展示CAD模型的诊断性能，包括敏感性、特异性、似然比、预测值或准确性，从而能够估计CAD模型的TP、FP、FN和TN值;用英文写的。排除标准如下:叙述性综述文章、数据不完整的研究、系统综述或荟萃分析、评论、只有摘要的论文集或研究方案。载有现有会议记录的PDF文件的完整出版物被认为是一篇完整的文章。符合至少1项排除标准的文章被排除在本研究之外。gydF4y2Ba

入选文献的方法学质量评估gydF4y2Ba

纳入文章的方法学质量由CSB和JJL使用第二版诊断准确性研究质量评估(QUADAS-2)进行评估。该工具包括4个领域，包括“患者选择”、“指标测试”、“参考标准”和“流程和时机”，其中前3个领域具有“适用性”评估。CSB和JJL评估每个部分的偏倚风险为高、低或不明确[gydF4y2Ba10gydF4y2Ba]。gydF4y2Ba

所选文献的资料提取、本研究的主要结果和附加分析gydF4y2Ba

CSB和JJL分别从每篇纳入的文章中提取数据，并对提取的数据进行交叉检查。如果数据不清楚，则通过电子邮件联系该研究的通讯作者，以获得对原始数据集的深入了解。通过系统评价过程进行描述性综合，如果纳入的研究具有足够的同质性，则进行DTA荟萃分析。gydF4y2Ba

主要结果为每项研究的TP、FP、FN和TN值。对于使用WCE图像进行胃肠道溃疡或出血的CAD，主要结局定义如下:TP，即CAD模型阳性发现且WCE图像证实有溃疡或出血的患者数量;FP，通过CAD模型发现阳性且根据WCE图像没有溃疡或出血的患者数量;FN, CAD模型阴性且WCE图像显示有溃疡或出血的患者数量;TN为CAD模型阴性且WCE图像显示无溃疡或出血的患者人数。根据这些定义，计算每个纳入研究的TP、FP、FN和TN值。gydF4y2Ba

对于额外的分析，如亚组分析或元回归，作者从每个纳入的研究中提取以下变量:发表年份、数据的地理来源(即西方与亚洲与公共数据或未知)、CAD模型类型、内镜图像类型、纳入的总图像数量、测试数据集类型(内部测试与外部测试)和目标疾病(溃疡与糜蚀、出血或血管扩张)。gydF4y2Ba

统计数据gydF4y2Ba

DTA meta分析采用分级汇总接收者工作特征(HSROC)方法[gydF4y2Ba11gydF4y2Ba]。生成敏感性和特异性森林图和SROC曲线。采用双变量方法，通过对数变换后的敏感性和特异性之间的相关系数来确定纳入文献的异质性水平[gydF4y2Ba12gydF4y2Ba];对此，不对称参数为β，其中β=0对应于一条对称的ROC曲线，根据HSROC方法，诊断优势比(DOR)不沿曲线变化[gydF4y2Ba11gydF4y2Ba]。正相关系数和显著概率的β值(gydF4y2BaPgydF4y2Ba< 0.05)表明研究间存在异质性[gydF4y2Ba11gydF4y2Ba，gydF4y2Ba13gydF4y2Ba]。我们还对SROC曲线进行了目视检查，以确定异质性。使用系统评价中确定的修饰词，通过单变量元回归进行亚组分析，以确定异质性的原因。使用STATA软件版本15.1 (StataCorp)，包括“metandi”和“midas”包进行DTA荟萃分析。采用Deeks漏斗图不对称检验评价发表偏倚。对于少于4项研究的亚组分析，采用Moses-Shapiro-Littenberg方法[gydF4y2Ba14gydF4y2BagydF4y2Ba

结果gydF4y2Ba

研究选择gydF4y2Ba

通过对3个数据库的文献检索，共发现254项研究(80项研究用于胃肠道溃疡或糜烂的CAD, 174项研究用于使用WCE进行胃肠道出血的CAD)。另外通过人工筛选书目确定了15项研究。在排除重复研究后，在审查标题和摘要后排除其他文章。获得了其余54篇和118篇文章的全文，并根据上述每个主题的纳入和排除标准进行了彻底审查。其中133篇文章被排除在最终入组之外。最后，20项研究[gydF4y2Ba15gydF4y2Ba-gydF4y2Ba34gydF4y2Ba]用于胃肠道溃疡或糜烂的CAD和19 [gydF4y2Ba17gydF4y2Ba，gydF4y2Ba19gydF4y2Ba，gydF4y2Ba24gydF4y2Ba，gydF4y2Ba34gydF4y2Ba-gydF4y2Ba49gydF4y2Ba在系统评价中纳入了胃肠道出血诊断的研究。选择过程的流程图见gydF4y2Ba图1gydF4y2Ba和gydF4y2Ba2gydF4y2Ba．gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

纳入研究的临床特征gydF4y2Ba

在20项研究中[gydF4y2Ba15gydF4y2Ba-gydF4y2Ba34gydF4y2Ba]用于使用WCE诊断胃肠道溃疡或糜烂的CAD，共识别了40,809张图像(14,866例与25,943例对照)，用于评估诊断性能。鉴于重复数据已被识别(Karargyris et al .， 2009) [gydF4y2Ba15gydF4y2Ba]和Karargyris等人在2011年[gydF4y2Ba20.gydF4y2Ba])，所有的分析都使用了19项研究的数据[gydF4y2Ba15gydF4y2Ba-gydF4y2Ba19gydF4y2Ba，gydF4y2Ba21gydF4y2Ba-gydF4y2Ba34gydF4y2Ba[2011年Karargyris等人的一项研究]gydF4y2Ba20.gydF4y2Ba]在meta分析中被省略)。gydF4y2Ba

十项研究[gydF4y2Ba16gydF4y2Ba-gydF4y2Ba18gydF4y2Ba，gydF4y2Ba21gydF4y2Ba，gydF4y2Ba25gydF4y2Ba-gydF4y2Ba27gydF4y2Ba，gydF4y2Ba29gydF4y2Ba，gydF4y2Ba31gydF4y2Ba，gydF4y2Ba32gydF4y2Ba]使用了亚洲人群的内窥镜图像，还有3项研究[gydF4y2Ba22gydF4y2Ba，gydF4y2Ba23gydF4y2Ba，gydF4y2Ba33gydF4y2Ba]使用了来自西方人群的内窥镜图像。然而，6项研究[gydF4y2Ba15gydF4y2Ba，gydF4y2Ba19gydF4y2Ba，gydF4y2Ba24gydF4y2Ba，gydF4y2Ba28gydF4y2Ba，gydF4y2Ba30.gydF4y2Ba，gydF4y2Ba34gydF4y2Ba使用公共数据库图像或未知来源的图像。对于CAD模型的类型，有9项研究使用了深度神经网络或卷积神经网络[gydF4y2Ba16gydF4y2Ba-gydF4y2Ba18gydF4y2Ba，gydF4y2Ba27gydF4y2Ba-gydF4y2Ba29gydF4y2Ba，gydF4y2Ba31gydF4y2Ba-gydF4y2Ba33gydF4y2Ba]，在10项研究中使用了基于机器学习的模型[gydF4y2Ba15gydF4y2Ba，gydF4y2Ba19gydF4y2Ba，gydF4y2Ba21gydF4y2Ba-gydF4y2Ba26gydF4y2Ba，gydF4y2Ba30.gydF4y2Ba，gydF4y2Ba34gydF4y2Ba]。大部分纳入的研究[gydF4y2Ba15gydF4y2Ba-gydF4y2Ba28gydF4y2Ba，gydF4y2Ba30.gydF4y2Ba-gydF4y2Ba34gydF4y2Ba]介绍了肠道溃疡的诊断表现。然而，Aoki等人的研究[gydF4y2Ba29gydF4y2Ba]对肠道溃疡或糜烂表现无明显区别，而Fan等人的研究[gydF4y2Ba27gydF4y2Ba]对肠道溃疡和糜烂进行了单独的表演。因此，对目标病变进行亚组分析。纳入研究的详细临床特征见gydF4y2Ba多媒体附录1gydF4y2Ba．gydF4y2Ba

在19项研究中[gydF4y2Ba17gydF4y2Ba，gydF4y2Ba19gydF4y2Ba，gydF4y2Ba24gydF4y2Ba，gydF4y2Ba34gydF4y2Ba-gydF4y2Ba49gydF4y2Ba]用于WCE诊断胃肠道出血，共识别了41,323张图像(6952例与34,371例对照)，用于评估诊断性能。gydF4y2Ba

五项研究[gydF4y2Ba17gydF4y2Ba]、[gydF4y2Ba35gydF4y2Ba]、[gydF4y2Ba44gydF4y2Ba]、[gydF4y2Ba48gydF4y2Ba]、[gydF4y2Ba49gydF4y2Ba]使用了亚洲人群的内窥镜图像，一项研究[gydF4y2Ba47gydF4y2Ba]使用了来自西方人群的内窥镜图像。然而，剩下的13项研究[gydF4y2Ba19gydF4y2Ba，gydF4y2Ba24gydF4y2Ba，gydF4y2Ba34gydF4y2Ba，gydF4y2Ba36gydF4y2Ba-gydF4y2Ba43gydF4y2Ba，gydF4y2Ba45gydF4y2Ba，gydF4y2Ba46gydF4y2Ba使用公共数据库图像或未知来源的图像。对于CAD模型的类型，有8项研究使用了深度神经网络或卷积神经网络[gydF4y2Ba17gydF4y2Ba，gydF4y2Ba35gydF4y2Ba，gydF4y2Ba39gydF4y2Ba，gydF4y2Ba43gydF4y2Ba，gydF4y2Ba46gydF4y2Ba-gydF4y2Ba49gydF4y2Ba]，并在11项研究中使用了基于机器学习的模型[gydF4y2Ba19gydF4y2Ba，gydF4y2Ba24gydF4y2Ba，gydF4y2Ba34gydF4y2Ba，gydF4y2Ba36gydF4y2Ba-gydF4y2Ba38gydF4y2Ba，gydF4y2Ba40gydF4y2Ba-gydF4y2Ba42gydF4y2Ba，gydF4y2Ba44gydF4y2Ba，gydF4y2Ba45gydF4y2Ba]。大部分纳入的研究[gydF4y2Ba17gydF4y2Ba，gydF4y2Ba19gydF4y2Ba，gydF4y2Ba24gydF4y2Ba，gydF4y2Ba34gydF4y2Ba-gydF4y2Ba46gydF4y2Ba，gydF4y2Ba48gydF4y2Ba介绍了肠出血的诊断表现。然而，Leenhardt等人的研究[gydF4y2Ba47gydF4y2Ba]和Tsuboi等人[gydF4y2Ba49gydF4y2Ba]介绍了血管发育不良的表现。因此，对目标病变进行亚组分析。纳入研究的详细临床特征见gydF4y2Ba多媒体附录2gydF4y2Ba．gydF4y2Ba

研究方法的质量评估gydF4y2Ba

基线训练数据的质量和数量非常重要，因为CAD模型是利用基线训练数据的学习特征建立的。建立实用的CAD模型需要足够数量的训练图像，内窥镜专家需要参与标记工作，以便准确地准备训练数据。我们也不能保证在互联网上搜索的公共数据库中的图像质量。我们确定，正确的学习需要至少30张训练图像(数量标准)，这些图像来自真实的临床医院数据(质量标准)，由内窥镜专家(质量标准)标记。如果满足质量和数量标准，则认为患者选择领域的偏倚风险较低。如果这些质量或数量标准中只有一个满足，则认为存在不明确的偏倚风险。如果两者都不满意，则认为存在高偏倚风险。gydF4y2Ba

在WCE患者胃肠道溃疡或糜烂的CAD方面，仅有7项研究[gydF4y2Ba25gydF4y2Ba-gydF4y2Ba27gydF4y2Ba，gydF4y2Ba29gydF4y2Ba，gydF4y2Ba31gydF4y2Ba-gydF4y2Ba34gydF4y2Ba]被评为低偏倚风险，9项研究[gydF4y2Ba16gydF4y2Ba-gydF4y2Ba18gydF4y2Ba，gydF4y2Ba21gydF4y2Ba-gydF4y2Ba24gydF4y2Ba，gydF4y2Ba30.gydF4y2Ba，gydF4y2Ba34gydF4y2Ba]被评为偏倚风险不明确，3项研究[gydF4y2Ba15gydF4y2Ba，gydF4y2Ba19gydF4y2Ba，gydF4y2Ba28gydF4y2Ba]在“患者选择”领域被评为高风险偏倚。在所有纳入的研究中，其余领域被评为具有低偏倚风险(gydF4y2Ba图3gydF4y2Ba)。因此，采用“患者选择”领域的方法学质量分类作为亚组或元回归分析的修饰符。gydF4y2Ba

在WCE胃肠出血的CAD方面，仅有3项研究[gydF4y2Ba44gydF4y2Ba，gydF4y2Ba47gydF4y2Ba，gydF4y2Ba49gydF4y2Ba]被评为低偏倚风险，10项研究[gydF4y2Ba17gydF4y2Ba，gydF4y2Ba24gydF4y2Ba，gydF4y2Ba34gydF4y2Ba，gydF4y2Ba35gydF4y2Ba，gydF4y2Ba37gydF4y2Ba，gydF4y2Ba38gydF4y2Ba，gydF4y2Ba40gydF4y2Ba，gydF4y2Ba45gydF4y2Ba，gydF4y2Ba46gydF4y2Ba，gydF4y2Ba48gydF4y2Ba]被评为具有不明确的偏倚风险，6项研究[gydF4y2Ba19gydF4y2Ba，gydF4y2Ba36gydF4y2Ba，gydF4y2Ba39gydF4y2Ba，gydF4y2Ba41gydF4y2Ba-gydF4y2Ba43gydF4y2Ba]在“患者选择”领域被评为具有高偏倚风险。在所有纳入的研究中，其余领域被评为具有低偏倚风险(gydF4y2Ba图4gydF4y2Ba)。因此，采用“患者选择”领域的方法学质量分类作为亚组或元回归分析的修饰符。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

CAD模型性能的DTA元分析gydF4y2Ba

在20项研究中[gydF4y2Ba15gydF4y2Ba-gydF4y2Ba34gydF4y2Ba]使用WCE对胃肠道溃疡或糜烂的CAD进行meta分析，曲线下面积(AUC)、敏感性、特异性、阳性似然比、阴性似然比和DOR分别为0.97 (95% CI 0.95-0.98)、0.93 (95% CI 0.89-0.95)、0.92 (95% CI 0.89-0.94)、11.2 (95% CI 8.6-14.7)、0.08 (95% CI 0.05-0.12)和138 (95% CI 79-243) (gydF4y2Ba多媒体附录3gydF4y2Ba和gydF4y2Ba图5gydF4y2Ba)。SROC曲线如图gydF4y2Ba图6gydF4y2Ba．为了研究CAD模型的临床应用，Fagan 's nomogram [gydF4y2Ba50gydF4y2Ba]生成。阳性结果表明CAD模型检测到胃肠道溃疡或糜烂，阴性结果表明CAD模型未检测到胃肠道溃疡或糜烂。假设胃肠道溃疡或糜烂的患病率为23%，Fagan的nomogram显示，如果CAD模型的发现为阳性，溃疡或糜烂的后验概率为76%，而如果CAD模型的发现为阴性，溃疡或糜烂的后验概率仅为3% (gydF4y2Ba图7gydF4y2Ba)。gydF4y2Ba

在19项研究中[gydF4y2Ba17gydF4y2Ba，gydF4y2Ba19gydF4y2Ba，gydF4y2Ba24gydF4y2Ba，gydF4y2Ba34gydF4y2Ba-gydF4y2Ba49gydF4y2Ba]对WCE患者胃肠道出血的CAD meta分析，AUC、敏感性、特异性、阳性似然比、阴性似然比和DOR分别为0.99 (95% CI 0.98-0.99)、0.96 (95% CI 0.94-0.97)、0.97 (95% CI 0.95-0.99)、38.3 (95% CI 19.6-74.8)、0.04 (95% CI 0.03-0.07)和888 (95% CI 343-2303) (gydF4y2Ba多媒体附录4gydF4y2Ba和gydF4y2Ba图8gydF4y2Ba)。SROC曲线如图gydF4y2Ba图9gydF4y2Ba．Fagan图阳性提示CAD模型检测到消化道出血。阴性结果提示CAD模型未检测到胃肠道出血。假设在所有胃肠道出血中，小肠出血发生率为10% [gydF4y2Ba51gydF4y2Ba]， Fagan’s nomogram显示，当CAD模型发现为阳性时，小肠出血的后验概率为81%，而当CAD模型发现为阴性时，小肠出血的后验概率仅为0.5% (gydF4y2Ba图10gydF4y2Ba)。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

用meta回归和亚组分析评估异质性gydF4y2Ba

对于WCE中胃肠道溃疡或糜烂的CAD，我们首先观察到logit转换的敏感性和特异性之间存在正相关系数(gydF4y2BargydF4y2Ba=0.28)。然而，非对称β参数在HSROC模型中显示不显著gydF4y2BaPgydF4y2Ba值(gydF4y2BaPgydF4y2Ba=.15)，这意味着研究之间不存在异质性。其次，观察敏感性和特异性的耦合森林图(gydF4y2Ba图5gydF4y2Ba)。与已有的研究相比，Karargyris等(2009)的研究[gydF4y2Ba15gydF4y2Ba]的敏感性和特异性较低。本研究在方法学质量评估(gydF4y2Ba图3gydF4y2Ba)。因此，根据方法学质量进行亚组分析，尽管方法学质量高的研究中观察到的数值略高(gydF4y2Ba多媒体附录3gydF4y2Ba)。第三，WCE中消化道溃疡或糜烂的SROC曲线形状对称，95%预测区域不宽(gydF4y2Ba图6gydF4y2Ba)。第四，使用系统评价中确定的修饰符进行meta回归，发现发表年份、训练图像数量和目标疾病(溃疡vs糜烂)是异质性的来源(发表年份:gydF4y2BaPgydF4y2Ba= .04点;训练图像数量:gydF4y2BaPgydF4y2Ba= .02点;目标疾病:溃疡vs糜烂gydF4y2BaPgydF4y2Ba= 38;内窥镜图像类型:gydF4y2BaPgydF4y2Ba= . 01)。最后，基于潜在修饰因子的亚组分析显示，10年内发表的研究(相对于10年前发表的研究)和超过100张训练图像的研究(相对于少于100张训练图像的研究)的总体表现更高(gydF4y2Ba多媒体附录3gydF4y2Ba)。gydF4y2Ba

对于WCE患者胃肠道出血的CAD，我们首先观察到logit转换的敏感性与特异性之间存在正相关系数(gydF4y2BargydF4y2Ba=0.48)。然而，非对称β参数在HSROC模型中显示不显著gydF4y2BaPgydF4y2Ba值(gydF4y2BaPgydF4y2Ba=.06)，这意味着研究之间不存在异质性。其次，观察敏感性和特异性的耦合森林图(gydF4y2Ba图8gydF4y2Ba)，没有显著的异常值。第三，WCE患者胃肠道溃疡和糜烂的SROC曲线形状对称，95%预测区域不宽(gydF4y2Ba图9gydF4y2Ba)。第四，使用系统评价中确定的修饰符进行meta回归，发现发表年份、训练图像数量和目标疾病(出血vs血管扩张)是异质性的来源(发表年份:gydF4y2BaPgydF4y2Ba< . 01;训练图像数量:gydF4y2BaPgydF4y2Ba= .04点;靶病出血vs血管扩张:gydF4y2BaPgydF4y2Ba< . 01)。最后，基于潜在修饰因子的亚组分析显示，10年内发表的研究(相对于10年前发表的研究)和超过100张训练图像的研究(相对于少于100张训练图像的研究)的总体表现更高(gydF4y2Ba多媒体附录4gydF4y2Ba)。gydF4y2Ba

发表偏倚评价gydF4y2Ba

WCE中胃肠道溃疡或糜烂研究的Deeks漏斗图相对于回归线呈现对称形状(gydF4y2Ba图11gydF4y2Ba)，不对称检验未发现发表偏倚的证据(gydF4y2BaPgydF4y2Ba= .77点)。WCE胃肠道出血研究的Deeks漏斗图相对于回归线呈对称形状(gydF4y2Ba图12gydF4y2Ba)，不对称检验未发现发表偏倚的证据(gydF4y2BaPgydF4y2Ba= iseq指数)。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

讨论gydF4y2Ba

主要研究结果gydF4y2Ba

在本研究中，CAD模型在WCE图像中对胃肠道溃疡或糜烂出血的诊断显示出很高的性能价值。Fagan图的实用价值表明CAD模型在临床实践中的应用潜力。虽然主要分析发现在纳入的研究中存在一些异质性，但meta回归显示了异质性的共同原因(发表年份、训练图像的数量和目标疾病——溃疡vs糜烂、出血vs血管扩张)。和亚组分析表明，最近发表的研究(与10多年前发表的研究相比)具有更多的训练数据量(与少于100个训练图像的研究相比)，CAD模型的性能更好。彻底的亚组分析表明证据质量可靠。gydF4y2Ba

WCE图像的解释是胃肠病学家的一项重要任务。由于WCE显示的是整个胃肠道的图像，因此可以识别常规内镜难以发现的病变。在WCE检查中也可以发现微小但重要的罪魁祸首病变。该检查的无创性和患者的舒适也促进了该技术在诊断消化道出血或小肠疾病中的应用。然而，翻译过程很繁琐。内窥镜医生至少需要30至120分钟的阅读时间[gydF4y2Ba1gydF4y2Ba-gydF4y2Ba3.gydF4y2Ba]。有必要在整个阅读时间保持注意力集中，以免错过重要的病灶。CAD模型具有很高的诊断性能，特别是在敏感性和特异性方面，有可能使WCE的读取过程自动化。胃肠道出血的整体表现略高于溃疡或糜烂。据推测，这是因为红色的血液比白色或黄色的溃疡或糜烂更容易区分，白色或黄色的溃疡或糜烂与CAD基于像素或红绿蓝光谱的特征学习的背景粘膜颜色相似。gydF4y2Ba

在CAD学习方式的背景下，基于神经网络的CAD模型的性能略高于传统的基于机器学习的CAD模型(gydF4y2Ba多媒体附录3gydF4y2Ba和gydF4y2Ba4gydF4y2Ba)。在准确分类方面，CNN并不总是比机器学习更好。然而，局部特征提取的图像识别由于其复杂的层数和深度节点计算以及神经网络CAD模型的降维，可以进行高度优化。考虑到纳入的研究中基于机器学习的模型使用WCE图像中的颜色或纹理特征，基于神经网络的模型可能会关注其他局部特征或组合特征，例如病变的形状或病变与背景粘膜的特征差异。可解释的人工智能分析正在兴起，这项技术的应用将为CAD模型提供一种确定方法[gydF4y2Ba52gydF4y2Ba]。gydF4y2Ba

虽然同一主题的荟萃分析已经发表，但本研究的目的是评估使用WCE图像的CAD模型对胃肠道溃疡或出血的DTA的标准方法(gydF4y2Ba表1gydF4y2Ba) [gydF4y2Ba7gydF4y2Ba，gydF4y2Ba8gydF4y2Ba]。虽然以前的研究也报道了CAD模型的高性能，但许多重要的文章被省略了，研究之间的异质性是由gydF4y2Ba我gydF4y2Ba^2gydF4y2Ba统计学(用于介入荟萃分析)、方法学质量评估被省略，发表偏倚也未被评估。gydF4y2Ba

限制gydF4y2Ba

尽管荟萃分析中有强有力的证据，但仍发现了一些不可避免的局限性。首先，在每个纳入的研究中，所有的性能数据仅在内部测试设置中测量。建模是假设观察结果遵循一定的统计规则，而外部验证是检查该假设是否正确或可推广的方法。因此，在培训或内部测试过程中，使用未使用的数据来确定已建立的CAD模型的性能至关重要[gydF4y2Ba53gydF4y2Ba]。然而，没有一项研究在外部验证设置中进行了性能验证。其次，肠道溃疡或糜烂的定义是模糊的。糜烂通常是指局限于粘膜的损伤(上皮丢失，但基底膜或固有层完好)。然而，溃疡的定义通常包括更广泛的粘膜固有层以外的损失。虽然在目视检查下，这两种情况的区分并不完全，但在纳入的研究中没有明确的定义。这可能导致对CAD模型性能的低估或高估。第三，许多研究使用来自公共数据库的基线训练数据，我们无法保证从互联网上可获得的公共数据库中的图像质量。CAD模型的诊断效能只适用于被评估的人口，并取决于所选人口中目标条件的普遍程度(所谓的频谱偏差或类别不平衡)[gydF4y2Ba2gydF4y2Ba，gydF4y2Ba54gydF4y2Ba]。在纳入的研究中没有考虑到这种班级不平衡。除了1 [gydF4y2Ba34gydF4y2Ba]对训练数据集采用1:1到1:4的比例(目标条件:正常粘膜)。然而，Kundu等人[gydF4y2Ba34gydF4y2Ba]在训练数据集中使用了31张溃疡图像和1617张正常粘膜图像(比例约为1:52)，65张出血图像和1617张正常粘膜图像(比例约为1:25)。考虑到人工智能模型的建立方法正在从以模型为中心(即改变或优化模型以提高性能)向以数据为中心(即系统地改变数据质量的分布以提高性能)转变，需要考虑频谱偏差的模型建立。总体而言，本主题的未来观点需要并期望具有明确定义的合格训练数据，并关注面向外部验证的性能CAD模型的建立。gydF4y2Ba

因此，CAD模型对WCE消化道溃疡和出血的光学诊断具有较高的效能。gydF4y2Ba