ty -jour a2 -Zhang，Feng au -li，Suli au -Chu，Yihang au -Wang，Ying Au -Wang -Wang，Yantong au -Hu -Hu，Shipeng au -Wu -wu -xiangye au -Qi -Qi -Qi，xinwei py -2022 da -2022 da -20222/2022/2022/10/14 TI-使用机器学习区分良性颈和黑色素瘤的价值：荟萃分析和系统评价SP -1734327 VL -2022 AB- 背景。黑色素瘤是最常见的人类恶性肿瘤，主要是从视觉上诊断出来的，从初始临床筛查开始，然后可能进行皮肤镜分析，活检和组织病理学检查。我们的目的是系统地回顾相关文献中分辨黑色素瘤和良性测验的基于机器学习的方法的性能和质量。 方法。搜索了四个数据库（Web of Science，PubMed，Embase和Cochrane库），以检索发布的相关研究，直到2022年3月26日。预测模型偏差风险评估工具（Probast）用于评估反对法律的偏差风险。 结果。这项系统的审查包括30项研究，具有114007受试者和71个机器学习模型。卷积神经网络是主要的机器学习方法。合并的灵敏度为85％（95％CI 82-87％），特异性为86％（82-88％），而该特异性为 C - 索引为0.87（0.84-0.90）。 结论。我们的研究结果表明，ML算法具有高灵敏度和特异性，可区分黑色素瘤和良性NEVI。这表明，将黑色素瘤与良性NEVI区分开的最新基于ML的算法可能已经准备好供临床使用。但是，很大一部分早期发表的研究都有方法论缺陷，例如缺乏外部验证和缺乏临床医生的比较。这些研究的结果应谨慎解释。SN -0962-9351 UR -https：//doi.org/10.1155/2022/1734327 do -10.1155/2022/2022/1734327 JF-炎症pb -hindawi kw -er -er- er- er- er-