Машинное и глубокое обучение для диагностики полиэндокринного метаболического синдрома яичников: систематический обзор и метаанализ

Введение: Полиэндокринный метаболический синдром яичников (PMOS) — распространённое эндокринное заболевание, диагностика которого затруднена из-за высокой неоднородности клинических проявлений. Модели машинного обучения (ML) и глубокого обучения (DL) могут использоваться для автоматизированной диагностики, однако количественного обобщения их точности до настоящего времени не проводилось.

Цель: Оценить диагностическую точность моделей ML/DL при PMOS и выявить факторы, влияющие на их эффективность.

Методы: Выполнен поиск публикаций в базах данных MEDLINE, Web of Science, Embase и Cochrane Library с момента их создания по 26 января 2026 года. В обзор включали исследования, посвящённые разработке или валидации моделей ML/DL для диагностики PMOS. Риск систематической ошибки оценивали с помощью инструмента QUADAS-2. Для объединения оценок применяли модель случайных эффектов с использованием метода Hartung–Knapp–Sidik–Jonkman. Строили иерархические суммарные ROC-кривые. Неоднородность оценивали по показателю I²; её источники изучали с помощью метарегрессионного анализа и анализа подгрупп.

Результаты: В анализ включили 56 исследований, охватывавших 60 наборов данных. Объединённая чувствительность составила 0,92 (95% ДИ 0,89–0,94; I² = 93,6%), специфичность — 0,94 (95% ДИ 0,91–0,96; I² = 93,4%), площадь под иерархической суммарной ROC-кривой — 0,99 (95% ДИ 0,97–0,99). Прогностические интервалы были широкими: для чувствительности — 50–99%, для специфичности — 53–100%. Тест Эггера выявил признаки эффектов малых исследований (p < 0,05). По данным метарегрессионного анализа, независимыми предикторами более высокой точности были источник данных (база данных по сравнению с одним центром; коэффициент 1,91; p = 0,002) и тип используемых для моделирования данных (ультразвуковые изображения по сравнению с клиническими параметрами; коэффициент 2,43; p = 0,007); после поправки тип модели не был статистически значимым фактором. Модели, основанные на ультразвуковых изображениях, продемонстрировали наивысшую точность: чувствительность 0,99 и специфичность 0,98. В 32 исследованиях не были указаны диагностические критерии, и только в 4 исследованиях проведена внешняя валидация.

Выводы: Модели ML/DL, особенно использующие ультразвуковые изображения, демонстрируют многообещающую, но зависящую от условий диагностическую точность при PMOS. Однако текущую доказательную базу ограничивают недостаточное описание диагностических критериев, отсутствие внешней валидации и значительная неоднородность исследований. В будущих исследованиях необходимо уделять приоритетное внимание строгой валидации и соблюдению стандартов представления результатов. Хотя эти модели пока не готовы к самостоятельному применению в клинической практике, они могут стать вспомогательными инструментами для стандартизации оценки яичников.

Регистрация систематического обзора: PROSPERO: https://www.crd.york.ac.uk/PROSPERO/view/CRD420251137107; идентификатор CRD420251137107.