Journal of Vascular Medicine & Surgery

నైరూప్య

స్వయంచాలక ఊపిరితిత్తుల క్యాన్సర్ గుర్తింపు వైద్యుల మధ్య పోలిక: సాహిత్య సమీక్ష

కావ్య సత్యకుమార్, మైఖేల్ మునోజ్, స్నేహల్ బన్సోద్, జైకరణ్ సింగ్, జాస్మిన్ హుండాల్, బి బెన్సన్ ఎ. బాబు

పరిచయం: యునైటెడ్ స్టేట్స్ మరియు ప్రపంచవ్యాప్తంగా క్యాన్సర్ సంబంధిత మరణాలకు ఊపిరితిత్తుల క్యాన్సర్ ప్రధమ కారణం. రేడియాలజిస్టులు మరియు వైద్యులు అధిక రోజువారీ పనిభారాన్ని అనుభవిస్తారు కాబట్టి బర్న్-అవుట్ అయ్యే ప్రమాదం ఎక్కువగా ఉంటుంది. ఈ భారాన్ని తగ్గించడానికి, ఈ సాహిత్య సమీక్ష ఊపిరితిత్తుల నాడ్యూల్ క్యాన్సర్ గుర్తింపులో నాలుగు వేర్వేరు AI నమూనాల పనితీరును, అలాగే వైద్యులు/రేడియాలజిస్టులతో వాటి పనితీరును పోల్చింది.

పద్ధతులు: 2008 నుండి 2019 వరకు 648 కథనాలు సంగ్రహించబడ్డాయి. 4/648 కథనాలు ఎంపిక చేయబడ్డాయి. చేరిక ప్రమాణాలు: 18-65 సంవత్సరాల వయస్సు, CT ఛాతీ స్కాన్లు, ఊపిరితిత్తుల నోడ్యూల్, ఊపిరితిత్తుల క్యాన్సర్, లోతైన అభ్యాసం, సమిష్టి మరియు క్లాసిక్ పద్ధతులు. మినహాయింపు ప్రమాణాలు: 65 ఏళ్ల కంటే ఎక్కువ వయస్సు, PET హైబ్రిడ్ స్కాన్‌లు, CXR మరియు జెనోమిక్స్. ఫలితాల విశ్లేషణ: సున్నితత్వం, నిర్దిష్టత, ఖచ్చితత్వం, సున్నితత్వం-నిర్దిష్టత ROC వక్రత, వక్రరేఖ కింద ప్రాంతం (AUC). డేటా బేస్‌లు: PubMed/MEDLINE, EMBASE, కోక్రాన్ లైబ్రరీ, Google స్కాలర్, వెబ్ ఆఫ్ సైన్స్, IEEEXplore, DBLP.

ముగింపు: హైబ్రిడ్ డీప్-లెర్నింగ్ ఆర్కిటెక్చర్ అనేది అత్యాధునిక ఆర్కిటెక్చర్, ఇది అధిక-పనితీరు కచ్చితత్వం మరియు తక్కువ తప్పుడు సానుకూల నివేదికలతో ఉంటుంది. భవిష్యత్ అధ్యయనాలు, ప్రతి మోడల్ ఖచ్చితత్వాన్ని లోతుగా పోల్చడం విలువైనది. ఈ హైబ్రిడ్ ఆర్కిటెక్చర్ వంటి స్వయంచాలక వైద్యుడు-సహాయక వ్యవస్థలు, అధిక-నాణ్యత కలిగిన వైద్యుడు-రోగి సంబంధాన్ని సంరక్షించడంలో మరియు వైద్యుడు బర్న్ అవుట్‌ను తగ్గించడంలో సహాయపడవచ్చు.