基于深度学习预测脑出血患者血肿扩大的计算机断层扫描应用：一项诊断准确性的系统综述和荟萃分析 - AI与医疗健康

基于深度学习预测脑出血患者血肿扩大的计算机断层扫描应用：一项诊断准确性的系统综述和荟萃分析Application of Deep Learning for Predicting Hematoma Expansion in Intracerebral Hemorrhage Using Computed Tomography Scans: A Systematic Review and Meta-Analysis of Diagnostic Accuracy | La radiologia medica

环球医讯 / AI与医疗健康来源：link.springer.com伊朗 - 英语2025-09-11 21:27:48 - 阅读时长2分钟 - 879字

本研究系统性评估了基于深度学习模型预测脑出血患者血肿扩大的准确性，通过整合22项研究的数据显示，单纯深度学习模型的综合敏感性和特异性分别达到81%和79%，而结合其他数据的模型敏感性和特异性提升至84%和91%。研究证实该技术可辅助临床实现早期血压控制或止血药物干预，为改善患者预后提供新路径，同时指出分割技术和研究质量是影响模型表现的关键因素。

基于深度学习预测脑出血患者血肿扩大的计算机断层扫描应用：一项诊断准确性的系统综述和荟萃分析

摘要

研究目的

本研究旨在系统评估利用深度学习网络预测脑出血患者血肿扩大的研究现状，通过计算机断层扫描图像分析其诊断效能。

研究方法

通过四大数据库进行全面文献检索，采用QUADAS-2和METRICS检查清单评估研究质量。计算综合诊断指标并使用I²统计量评估异质性，通过亚组分析、敏感性分析和Deek’s不对称检验评估异质性来源、单个研究影响及发表偏倚。

研究结果

22项研究纳入定性综合，其中11项用于单纯深度学习模型荟萃分析，6项用于结合深度学习的综合模型分析。分析显示：单纯深度学习模型综合敏感性为81%、特异性为79%、阳性似然比3.96、阴性似然比0.23、诊断优势比16.97、曲线下面积0.87；综合模型对应数据分别为84%、91%、9.40、0.18、53.51和0.89。亚组分析揭示分割技术和研究质量存在显著组间差异。