L’impatto dell’apprendimento automatico nella diagnosi precoce del cancro dello stomaco

19.07.2024 | Popular Science
mano con penna che traccia dei segni su uno schermo virtuale con su scritto AI

L’applicazione dell’apprendimento automatico (ML) per l’identificazione del cancro gastrico in stadio precoce (EGC) ha attirato un’attenzione crescente. Tuttavia, manca un supporto solido, basato sull’evidenza, per quanto riguarda le sue prestazioni diagnostiche specifiche. Un team di esperti ha implementato una revisione sistematica e una meta-analisi per valutare le prestazioni del ML basato sulle immagini nella diagnosi dell’EGC.

È stata eseguita un’esplorazione completa delle banche dati elettroniche PubMed, Embase, Cochrane Library e Web of Science fino al 25 settembre 2022 utilizzando QUADAS-2 per valutare il rischio di bias degli articoli selezionati. Per la meta-analisi è stato utilizzato un modello bivariante a effetti misti e sono state eseguite analisi di sensibilità e test di eterogeneità.

Alla fine, i ricercatori hanno incluso nella revisione 21 articoli. La sensibilità (SEN), la specificità (SPE) e lo SROC dei modelli basati su ML erano pari a 0,91 (95% CI: 0,87-0,94), 0,85 (95% CI: 0,81-0,89) e 0,94 (95% CI: 0,39-1,00) nel set di training e 0,90 (95% CI: 0,86-0,93), 0,90 (95% CI: 0,86-0,92) e 0,96 (95% CI: 0,19-1,00) nel set di validazione. Il SEN, lo SPE e lo SROC della diagnosi di EGC da parte di medici non specialisti erano pari a 0,64 (95% CI: 0,56-0,71), 0,84 (95% CI: 0,77-0,89) e 0,80 (95% CI: 0,29-0,97), mentre quelli dei medici specialisti erano pari a 0,80 (95% CI: 0,74-0,85), 0,88 (95% CI: 0,85-0,91) e 0,91 (95% CI: 0,37-0,99). Con l’aiuto dei modelli ML, il SEN dei medici non specialisti nella diagnosi di EGC è risultato migliorato in modo significativo (0,76 vs 0,64).

Sulla base dei risultati ottenuti, gli Autori concludono che i modelli di ML possono assistere meglio i medici meno esperti nella diagnosi di EGC in endoscopia e presentano quindi un alto valore di applicazione clinica.

Fonte: World J Surg Oncol. 2024

https://wjso.biomedcentral.com/articles/10.1186/s12957-024-03321-9

IT-NON-10444-W-07/2026

Contenuti simili

I più visti