Desempenho diagnóstico da aprendizagem profunda e da radimica na detecção extracraniana da placa da carótida: revisão sistemática e meta-análise

O que aconteceu

Técnicas de imagem artificial de inteligência têm demonstrado potencial diagnóstico promissor para placas carotídeas, fator de risco cardiovascular e cerebrovascular. Entretanto, estudos anteriores não sintetizaram sistematicamente sua acurácia diagnóstica. Este estudo teve como objetivo explorar quantitativamente a eficácia diagnóstica da aprendizagem profunda (DL) e da radiomics para placas carotídeas extracranianas e estabelecer um quadro padronizado para melhorar a detecção de placas. Foram pesquisadas as bases de dados PubMed, Embase, Cochrane, Web of Science e Institute of Eletrical and Eletronics Engineers para identificar estudos envolvendo o uso de modelos de radiomics ou DL para diagnosticar placas extracranianas da artéria carótida desde o início até 24 de setembro de 2025. A qualidade dos estudos foi determinada por meio da Avaliação de Qualidade de Estudos de Precisão Diagnósticos para Inteligência Artificial (QUADAS-AI). Uma meta-análise foi realizada utilizando o StataMP (versão 17.0; StataCorp) com um modelo bivariado de efeitos mistos para calcular a sensibilidade e especificidade agrupadas, gerar curvas de característica de operação do receptor sumário (SROC), avaliar a estatística Cochran Q e a heterogeneidade baseada em I2 e realizar análises de subgrupos e análise de regressão.

O que encontraram

Among 40 studies comprising 17,246 patients, 34 integrated independent test sets or validation sets in the quantitative statistical analysis. Among them, 24 focused on DL models, 10 on machine learning models based on radiomics. The combined sensitivity, specificity, and area under the SROC curve were 0.88 (95% CI 0.85-0.91; P<.001; I2=93.58%), 0.89 (95% CI 0.85-0.92; P<.001; I2=91.38%), and 0.95 (95% CI 0.92-0.96), respectively. Compared with the machine learning models based on radiomics algorithms, DL models achieved comparable improvements in specificity and area under the SROC curve. It was observed that transfer learning and a large sample size enhanced the diagnostic performance of models. Models used to identify plaque stability and presence had similar diagnostic performances, both of which were more effective in identifying symptomatic plaque models. A total of 7 studies demonstrated that the models that combined clinical features exhibited comparable diagnostic capability to pure DL and radiomics models. Additionally, 7 studies performed external validation, obtaining lower diagnostic performance than in testing groups. Limited regression analysis failed to identify significant sources of heterogeneity, and the limited number of eligible studies restricted more comprehensive subgroup analyses. The high heterogeneity in the study results may be due to different scanning parameters, model architecture, image segmentation, and algorithms.

Trecho mantido em inglês: a tradução automática não passou na conferência de números.

Por que isso importa

Algoritmos radiomicos e modelos DL podem efetivamente diagnosticar placa extracraniana da carótida. No entanto, existem preocupações quanto às irregularidades no desenho da pesquisa e à ausência de estudos multicêntricos e validação externa. Pesquisas futuras devem visar reduzir o risco de viés e aumentar a generalização e orientação clínica dos modelos.