综述:人工智能在胎儿生长受限预测与诊断中的应用:系统综述
《Indian Journal of Pediatrics》:Artificial Intelligence in Prediction and Diagnosis of Fetal Growth Restriction: A Systematic Review
【字体:
大
中
小
】
时间:2026年10月13日
来源:Indian Journal of Pediatrics 2.4
编辑推荐:
摘要
本系统综述评估了人工智能(AI)和机器学习(ML)模型在胎儿生长受限(FGR)预测和诊断方面的证据。作者遵循PRISMA 2020指南,检索了截至2026年6月的PubMed、Scopus、Embase、Web of Science和Google Scholar数据库
摘要本系统综述评估了人工智能(AI)和机器学习(ML)模型在胎儿生长受限(FGR)预测和诊断方面的证据。作者遵循PRISMA 2020指南,检索了截至2026年6月的PubMed、Scopus、Embase、Web of Science和Google Scholar数据库。研究涉及基于AI/ML的胎儿生长受限(FGR)、子宫内生长受限(IUGR)或小胎龄儿(SGA)的预测或诊断技术。使用预测模型偏倚风险评估工具(PROBAST)进行数据提取和偏倚风险评估。27项研究符合纳入标准。AI应用涉及生物物理(n = 10)、多普勒(n = 10)、临床(n = 7)、超声(n = 7)、MRI(n = 7)、影像组学(n = 10)、胎儿监护(n = 10)、基因组学(n = 10)和代谢组学生物标志物模型(n = 10)。模型性能良好,受试者工作特征曲线下面积(AUC)为0.71–0.91,分类准确率为78.9–93.3%。基于影像和多模态数据的模型表现出最高的预测性能。PROBAST评估显示,参与对象、预测因子和结局领域的偏倚风险较低,但分析领域存在方法学问题;其中9项研究为低风险,14项为中等风险,4项为高风险。用于FGR检测的AI和ML模型表现令人振奋。结合临床、影像和分子数据的多模态方法始终优于单模态模型,是精准产科的重要进展。然而,仍存在显著异质性、外部验证有限和方法学问题。未来需要进行前瞻性多中心研究、标准化报告以及真实世界实施研究,以推动常规临床采用。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号