编辑推荐：
摘要肺动脉高压（PH）是一种严重的心肺疾病，其诊断过程存在显著延迟。人工智能（AI）为早期检测提供了有前景的非侵入性工具。本系统评价综合了AI/机器学习（ML）在肺动脉高压检测中的应用，按世界卫生组织（WHO）分类标准和数据类型对检测效果进行了分层分析，并对该领域的进展进行了批判
肺动脉高压（PH）是一种严重的心肺疾病，其诊断过程存在显著延迟。人工智能（AI）为早期检测提供了有前景的非侵入性工具。本系统评价综合了AI/机器学习（ML）在肺动脉高压检测中的应用，按世界卫生组织（WHO）分类标准和数据类型对检测效果进行了分层分析，并对该领域的进展进行了批判性评估。一个独特的研究目标是评估采用保护隐私的协作技术，特别是联邦学习（FL），以解决阻碍模型开发的数据碎片化问题。本研究采用了双流审查方法：首先，通过符合PRISMA 2020标准的系统文献检索（2015–2025年），筛选出在超声心动图、计算机断层扫描（CT）、心电图和胸部X光检查中应用机器学习（ML）和深度学习（DL）进行肺动脉高压检测的研究，共纳入50项研究；使用改进的QUADAS-2框架对研究的方法学质量进行了评估。其次，对类似医学领域中的联邦学习（FL）应用进行了针对性评估。对50项肺动脉高压相关AI研究的分析表明，尤其是应用于超声心动图和CT的深度学习模型具有较高的诊断准确性（AUC 0.83–0.99）。尽管第二组（PH-LHD）的患病率更高，但大多数研究仍集中在第一组（PAH）上。常见的局限性包括数据集规模较小且来自单一中心，以及模型的泛化能力较弱。一个关键发现是，在肺动脉高压研究中几乎未见到联邦学习的应用，尽管它在其他领域已成功克服了类似的数据挑战。这一联邦学习方面的空白是一个亟待解决的关键障碍。AI/ML在非侵入性肺动脉高压检测方面展现出巨大潜力，但受到数据孤岛现象和缺乏可推广研究的严重制约。联邦学习被视为一种有前景但尚未实现的转化方向，有助于实现保护隐私的多中心合作。未来的工作应优先考虑联邦学习框架的开发，同时构建能够覆盖所有WHO肺动脉高压分类组的强大多模态模型，以实现临床应用的成功转化。
肺动脉高压（PH）是一种严重的心肺疾病，其诊断过程存在显著延迟。人工智能（AI）为早期检测提供了有前景的非侵入性工具。本系统评价综合了AI/机器学习（ML）在肺动脉高压检测中的应用，按世界卫生组织（WHO）分类标准和数据类型对检测效果进行了分层分析，并对该领域的进展进行了批判性评估。一个独特的研究目标是评估采用保护隐私的协作技术，特别是联邦学习（FL），以解决阻碍模型开发的数据碎片化问题。本研究采用了双流审查方法：首先，通过符合PRISMA 2020标准的系统文献检索（2015–2025年），筛选出在超声心动图、计算机断层扫描（CT）、心电图和胸部X光检查中应用机器学习（ML）和深度学习（DL）进行肺动脉高压检测的研究，共纳入50项研究；使用改进的QUADAS-2框架对研究的方法学质量进行了评估。其次，对类似医学领域中的联邦学习（FL）应用进行了针对性评估。对50项肺动脉高压相关AI研究的分析表明，尤其是应用于超声心动图和CT的深度学习模型具有较高的诊断准确性（AUC 0.83–0.99）。尽管第二组（PH-LHD）的患病率更高，但大多数研究仍集中在第一组（PAH）上。常见的局限性包括数据集规模较小且来自单一中心，以及模型的泛化能力较弱。一个关键发现是，在肺动脉高压研究中几乎未见到联邦学习的应用，尽管它在其他领域已成功克服了类似的数据挑战。这一联邦学习方面的空白是一个亟待解决的关键障碍。AI/ML在非侵入性肺动脉高压检测方面展现出巨大潜力，但受到数据孤岛现象和缺乏可推广研究的严重制约。联邦学习被视为一种有前景但尚未实现的转化方向，有助于实现保护隐私的多中心合作。未来的工作应优先考虑联邦学习框架的开发，同时构建能够覆盖所有WHO肺动脉高压分类组的强大多模态模型，以实现临床应用的成功转化。
生物通 版权所有
