人工智能在三叉神经痛中的应用：三叉神经分割与神经血管冲突检测的系统综述与荟萃分析
核心概要
该系统综述与荟萃分析汇总了5项研究、共577例确诊三叉神经痛患者，评估深度学习与机器学习模型在MRI上自动分割三叉神经并检测神经血管冲突的诊断表现，合并敏感度为71%（95% CI: 65-76%）、特异度为92%（95% CI: 88-94%）、AUC为0.91（95% CI: 0.88-0.93），提示AI模型在该任务上具有较高的诊断准确性。
PRISMA flowchart of the study selection process
PubMed深度剖析
该研究首次以系统综述与荟萃分析的形式，汇总了AI模型在三叉神经痛诊断中用于三叉神经分割与神经血管冲突检测的诊断性能。 此前多为单项研究，本文通过跨PubMed、Scopus、Embase、Web of Science和Cochrane Library的系统检索，将5项研究、577例确诊患者的数据合并，给出敏感度、特异度、似然比、诊断比值比与AUC的合并估计。 基于5项符合纳入标准的研究、577例确诊三叉神经痛患者，采用合并敏感度、特异度、阳性/阴性诊断似然比、诊断比值比与AUC等指标进行荟萃分析，并提取了专家影像标注、临床-影像诊断及术中确认等参考标准。
AI模型在检测三叉神经痛时表现出高特异度与高诊断比值比，合并特异度为92%、诊断比值比为26.71。 该结果量化了AI模型在排除非三叉神经痛病例方面的表现，阳性诊断似然比为8.5、阴性诊断似然比为0.32，为临床决策提供了可比较的统计依据。 合并特异度92%（95% CI: 88-94%）、诊断比值比26.71（95% CI: 16.38-43.56）、阳性似然比8.5（95% CI: 5.75-12.56）、阴性似然比0.32（95% CI: 0.26-0.38），均来自5项研究的荟萃分析。
深度学习与机器学习方法，尤其是深度学习，在三叉神经分割与神经血管冲突检测中展现出有前景的诊断性能，可辅助术前规划。 该研究将AI在MRI上自动分割三叉神经与识别神经血管冲突的能力与临床诊断流程联系起来，指出其有助于提升三叉神经痛诊断准确性并改善微血管减压术前的治疗规划。 合并AUC达到0.91（95% CI: 0.88-0.93），敏感度71%（95% CI: 65-76%），研究聚焦于MRI扫描中的自动分割与神经血管冲突检测。
启示与展望
该结果适用于在MRI扫描中利用AI模型进行三叉神经分割与神经血管冲突检测的场景，目标人群为确诊三叉神经痛并考虑微血管减压术等治疗的患者；其证据来自5项研究、577例患者，参考标准包括专家影像标注、临床-影像诊断及术中确认。
纳入研究仅5项、577例患者，合并估计的置信区间与异质性来源值得关注；不同研究的参考标准包括专家影像标注、临床-影像诊断与术中确认，可能影响结果解读；AI模型在三叉神经分割与神经血管冲突检测中的表现是否可推广至更广泛人群与不同影像流程，仍需更多研究观察。