Precisão do aprendizado profundo na detecção de microssangramentos cerebrais: Revisão sistemática e meta-análise

MetanáliseNível 1 · Evidência consolidadaJournal of medical Internet research21 set 20260 citações

O que aconteceu

Tradicionalmente, o número e a localização de microssangramentos cerebrais (CMBs) são calculados manualmente com base em características de ressonância magnética (RM) como forma, tamanho e características de sinal. Embora precisa, a detecção manual requer interpretação especializada e é onerosa. Portanto, é necessário explorar um método eficaz de detecção auxiliar. Nos últimos anos, o aprendizado profundo (DL) tem sido cada vez mais utilizado na detecção de hemorragia cerebral. Alguns estudos têm explorado modelos de LD baseados em imagens para o diagnóstico de BMC. No entanto, faltam evidências sistemáticas sobre sua acurácia diagnóstica. Esta revisão teve como objetivo avaliar a acurácia dos modelos de LD na detecção de CMBs e informar o desenvolvimento de ferramentas inteligentes de detecção. Este estudo foi relatado de acordo com as diretrizes PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) e foi prospectivamente registrado no PROSPERO (ID de registro CRD42024628447). IEEE, Web of Science, Embase, Cochrane Library e PubMed foram pesquisados de forma abrangente até 1o de novembro de 2024, e a busca no banco de dados foi posteriormente atualizada em 5 de julho de 2026, para coletar estudos originais publicados publicamente sobre LD para detecção de CMBs. O risco de viés de estudos elegíveis foi avaliado pela ferramenta Quality Assessment of Diagnostic Accuracy Studies-2. As análises dos subgrupos foram realizadas de acordo com o nível de análise (nível de lesão e nível de paciente) e o método de obtenção da tabela diagnóstica de 4 vezes ao nível da lesão (extracção direta e reconstrução). PROSPERO CRD42024628447; https://www.crd.york.ac.uk/PROSPERO/view/CRD42024628447.

O que encontraram

Ao nível do paciente, foram incluídos 5 estudos, todos os quais desenvolveram modelos baseados na RM. Os resultados da meta-análise sugeriram que a sensibilidade, especificidade, razão de verossimilhança positiva (RPL), razão de verossimilhança negativa (RNL) e razão de chances diagnóstica (RDO) foram de 0,89 (IC 95% 0,76-0,96), 0,86 (IC 95% 0,77-0,92), 6,3 (IC 95% 3,5-11,6), 0,13 (IC 95% 0,05-0,32) e 50 (IC 95% 12-212), respectivamente. Ao nível da lesão, a sensibilidade, especificidade, RPL, RNL e DOR foram de 0,96 (IC 95% 0,93-0,98), 0,98 (IC 95% 0,94-0,99), 39,5 (IC 95% 16,8-92,7), 0,04 (IC 95% 0,02-0,07) e 1061 (IC 95% 293-3848), respectivamente. No subgrupo de extração direta das tabelas diagnósticas de 4 vezes ao nível da lesão, a sensibilidade, especificidade, RPL, RNL e DOR foram 0,98 (IC 95% 0,95-0,99), 0,98 (IC 95% 0,90-0,99), 40,2 (IC 95% 9,3-79,9), 0,02 (IC 95% 0,01-0,05) e 1738 (IC 95% 174-17,385), respectivamente. No subgrupo de reconstrução das tabelas diagnósticas de 4 vezes ao nível da lesão, a sensibilidade, especificidade, RPL, RNL e DOR foram 0,95 (IC 95% 0,89-0,97), 0,98 (IC 95% 0,96-0,99), 41,2 (IC 95% 21,2-79,9), 0,06 (IC 95% 0,03-0,12) e 736 (IC 95% 224-2418), respectivamente.

Por que isso importa

Modelos de LD baseados na RM parecem apresentar desempenho diagnóstico favorável na detecção de BMC. Diante do pequeno número de estudos incluídos, estudos mais multicêntricos são necessários para facilitar o desenvolvimento de ferramentas de detecção mais generalizáveis.

Tradução automática do resumo original, publicado em Journal of medical Internet research sob licença CC BY. Os números são conferidos contra o original; siglas e termos técnicos podem variar.