摘要
研究目的
本研究旨在系统评估利用深度学习网络预测脑出血患者血肿扩大的研究现状，通过计算机断层扫描图像分析其诊断效能。
研究方法
通过四大数据库进行全面文献检索，采用QUADAS-2和METRICS检查清单评估研究质量。计算综合诊断指标并使用I²统计量评估异质性，通过亚组分析、敏感性分析和Deek’s不对称检验评估异质性来源、单个研究影响及发表偏倚。
研究结果
22项研究纳入定性综合，其中11项用于单纯深度学习模型荟萃分析，6项用于结合深度学习的综合模型分析。分析显示：单纯深度学习模型综合敏感性为81%、特异性为79%、阳性似然比3.96、阴性似然比0.23、诊断优势比16.97、曲线下面积0.87；综合模型对应数据分别为84%、91%、9.40、0.18、53.51和0.89。亚组分析揭示分割技术和研究质量存在显著组间差异。
研究结论
基于深度学习的网络模型在准确识别脑出血患者血肿扩大方面表现突出。这些模型可能指导早期针对性干预措施（如强化血压控制或止血药物使用），从而潜在改善患者预后。
图表
图1、图2、图3、图4、图5（注：文中提及的图表未显示具体内容）
数据可用性
本研究提取的数据见正文及补充材料。
作者信息
- 伊朗马什哈德医科大学医学院放射科：Amir Mahmoud Ahmadzadeh
- 伊朗吉兰医科大学：Mohammad Amin Ashoobi
- 宾夕法尼亚大学佩雷尔曼医学院放射科DiCIPHR实验室：Nima Broomand Lomer
- 伊朗马什哈德医科大学医学院学生研究委员会：Danial Elyassirad, Benyamin Gheiji, Mahsa Vatanparast
- 美国梅奥诊所放射科：Girish Bathla
- 耶鲁大学医学院放射与生物医学成像系：Long Tu
声明
无利益冲突，无需伦理审批及知情同意。
附加信息
DOI: 10.1007/s11547-025-02089-6
接收日期：2025年5月5日
接受日期：2025年8月27日
发表日期：2025年9月11日
【全文结束】
