Фармавати Флоресья Картика, MD, программа профессиональной подготовки врачей, медицинский факультет
Джалан Ир. Сутами 36 Кентинган, Джебрес, Суракарта, Центральная Ява 57126
Floresya K. Farmawati, MD, Medical Doctor Profession Program, Faculty of Medicine
Jalan Ir. Sutami 36 Kentingan, Jebres, Surakarta, Central Java 57126
Нурвахид Делла Вахдатул Ангела, MD, кафедра педиатрии, медицинский факультет
Маланг
Della W. A. Nurwakhid, MD, Department of Pediatrics, Faculty of Medicine
Malang
Прадхеа Тифани Антониа, MD, программа профессиональной подготовки врачей, медицинский факультет
Понтианак
Tifani A. Pradhea, MD, Medical Doctor Profession Program, Faculty of Medicine
Pontianak
Фитриаса Райян, MD, программа профессиональной подготовки врачей, медицинский факультет
Джакарта
Rayyan Fitriasa, MD, Medical Doctor Profession Program, Faculty of Medicine
Jakarta
Аррахми Хутами Хасбила, MD, программа профессиональной подготовки врачей, медицинский факультет
Джакарта
Hutami H. Arrahmi, MD, Medical Doctor Profession Program, Faculty of Medicine
Jakarta
Ильяс Мухана Фавуази, MD, программа профессиональной подготовки врачей, медицинский факультет
Джалан Ир. Сутами 36 Кентинган, Джебрес, Суракарта, Центральная Ява 57126
Muhana F. Ilyas, MD, Medical Doctor Profession Program, Faculty of Medicine
Jalan Ir. Sutami 36 Kentingan, Jebres, Surakarta, Central Java 57126
Нур Фадхилах Тиа, MD, кафедра педиатрии
Джалан Ир. Сутами 36 Кентинган, Джебрес, Суракарта, Центральная Ява 57126
Fadhilah T. Nur, MD, Department of Pediatrics
Jalan Ir. Sutami 36 Kentingan, Jebres, Surakarta, Central Java 57126
Актуальность: Астроцитома представляет собой распространенный вид опухолей головного мозга у детей и является существенной проблемой для здравоохранения. Последние достижения в области искусственного интеллекта (ИИ), в частности, алгоритмов нейронных сетей, изучаются на предмет точности и эффективности в медицинской диагностике посредством эффективного анализа данных визуализационных исследований для выявления закономерностей и аномалий.
Цель: Провести систематический обзор диагностических инструментов на основе ИИ с методологией, чувствительностью, специфичностью алгоритмов нейронных сетей, а также изучить вопрос потенциального внедрения в клиническую практику для диагностики астроцитомы у детей. Таким образом, можно получить представление об их общей эффективности и влиянии на принятие клинических решений.
Методы: Согласно рекомендациям PRISMA 2020, 5 февраля 2024 г. был проведен обширный поиск в PubMed, Scopus и ScienceDirect. Стратегия поиска основывалась на вопросе PECO, посвященном сравнению КТ- и МРТ-диагностики астроцитомы у детей с помощью алгоритмов ИИ. Ключевые слова составляли термины, относящиеся к ИИ и алгоритмам нейронных сетей. В обзор были включены исследования, анализировавшие точность диагностики методов на основе ИИ у детей с астроцитомой (1–3 степени по классификации ВОЗ). Ограничений по году или стране публикации не было. Из обзора были исключены исследования, опубликованные на языках, отличных от английского и индонезийского, а также исследования без участия людей. Качество данных оценивали с помощью инструмента Effective Public Health Practice Project.
Результаты: Из 454 отобранных статей критериям включения соответствовали 6. Данные исследования различались по дизайну, месту проведения и размеру выборки (от 10 до 135 человек). Диагностическая эффективность методов ИИ показала высокую чувствительность и специфичность, часто превосходившую традиционные рентгенологические методы. Примечательно, что алгоритмы нейронных сетей с использованием 3D-МРТ продемонстрировали более высокую точность (96%) по сравнению с 2D-МРТ (77 %). Модели ИИ показали уровень эффективности, сопоставимый с экспертами-рентгенологами или превосходящий их уровень, причем точность классификации опухолей составила 92%, а значения AUROC были высокими.
Заключение: ИИ с алгоритмами нейронных сетей демонстрирует значительные перспективы в повышении точности диагностики астроцитомы у детей. Исследования показывают, что данные передовые методы могут обеспечить более высокую чувствительность и специфичность по сравнению с традиционными. Внедрение ИИ в клиническую практику может существенно повысить точность диагностики и улучшить результаты лечения пациентов.
Background: Astrocytoma is a common pediatric brain tumor that poses a significant health burden. Recent advancements in artificial intelligence (AI), particularly neural network algorithms, have been studied for their precision and efficiency in medical diagnostics via effectively analyzing imaging data to identify patterns and anomalies.
Objective: To systematically review AI-based diagnostic tools with neural network algorithms’ methodologies, sensitivities, specificities, and potential clinical integration for pediatric astrocytoma, providing a consolidated perspective on their overall performance and impact on clinical decision-making.
Methods: As per PRISMA 2020 guidelines, we conducted a comprehensive search in PubMed, Scopus, and ScienceDirect on February 5, 2024. The search strategy was guided by a PECO question focusing on pediatric astrocytoma diagnosis using AI algorithms vs computed tomography or magnetic resonance imaging (MRI). Keywords were terms related to AI and neural network algorithms. We included studies analyzing the diagnostic accuracy of AI-based methods in cases of pediatric astrocytoma (World Health Organization grades 1-3), with no restrictions on a publication year or country. We excluded papers written in languages other than English or Bahasa Indonesia and nonhuman studies. Data was assessed using the Effective Public Health Practice Project tool.
Results: Of 454 articles screened, 6 met inclusion criteria. These studies varied in design, location, and sample size, ranging from 10 to 135 subjects. The AI methods showed high sensitivity and specificity, often surpassing traditional radiological techniques. Notably, neural network algorithms using 3-dimensional MRI demonstrated improved accuracy compared with 2-dimensional MRI (96% vs 77%). The AI models exhibited performance levels comparable to or exceeding that of expert radiologists, with metrics such as tumor classification accuracy of 92% and high values of the area under the receiver operating characteristic curve.
Conclusions: AI with neural network algorithms shows significant promise in enhancing accuracy of pediatric astrocytoma diagnosis. The studies reviewed indicate that these advanced methods can achieve superior sensitivity and specificity compared with conventional diagnostic techniques. Integrating AI into clinical practice could substantially improve diagnostic precision and patient outcomes.
The authors declare that there are no conflicts of interest present.