人工智能在癫痫患者诊疗全程中磁共振成像的应用：四项临床应用的荟萃分析

目的：人工智能/机器学习（AI/ML）在磁共振成像（MRI）中的应用有望增强和支持癫痫的临床决策。然而，目前尚缺乏对当前针对癫痫临床检查中支持决策的AI/ML驱动模型的临床效用和研究严谨性的适当评估。方法：我们系统回顾并检验了当前AI/ML驱动模型在MRI中针对癫痫临床检查中四个主要应用的能力：（1）诊断，（2）颞叶癫痫侧别化，（3）病灶（局灶性皮质发育不良）定位，以及（4）术后结局预测。我们还评估了每个研究模型的偏倚风险。选择采用基于任何MRI模态或序列类型训练的AI/ML分类模型的研究进行定性评估；报告准确率的研究随后被纳入荟萃分析。结果：在3227篇检索文章中，我们确定了159项研究（n=26732名参与者）进行定性评估，127项研究（n=20456）纳入荟萃分析。我们的结果表明，MRI上的AI/ML能够准确区分癫痫患者与健康对照（总体准确率=0.87，95%置信区间[CI]=0.85-0.89），对颞叶癫痫进行侧别化（0.90，95%CI=0.87-0.93），定位致痫性病灶（0.82，95%CI=0.74-0.87），并预测术后无发作（0.83，95%CI=0.78-0.87）。然而，系统评估表明文献中存在非常高的偏倚风险，提示性能估计可能过于乐观。意义：尽管我们的结果支持AI/ML模型在癫痫诊断和预后中的总体高准确性，但文献在参与者招募和验证方法方面仍易受偏倚影响。此外，大多数模型受研究架构限制，要求严格遵守非标准的、高度特异性的数据采集和处理协议，这不容易在临床实施中部署。我们鼓励临床和科学团体之间进行更紧密的跨学科合作，以改进验证研究，并为未来的研究设计、分析和报告提出建议。