Εισαγωγή: Ο καρκίνος του πνεύμονα παραμένει μία από τις κύριες αιτίες θνησιμότητας από καρκίνο παγκοσμίως, καθιστώντας αναγκαίες τις προηγμένες διαγνωστικές τεχνικές για την έγκαιρη ανίχνευση και τη βελτίωση των αποτελεσμάτων των θεραπειών. Οι πρόσφατες εξελίξεις στη μηχανική μάθηση (ML) δείχνουν πολλά υποσχόμενες στην αύξηση της ακρίβειας και της αποτελεσματικότητας της ανίχνευσης και διάγνωσης του καρκίνου του πνεύμονα. Αυτή η συστηματική ανασκόπηση στοχεύει να αξιολογήσει την εφαρμογή και την αποτελεσματικότητα διάφορων μοντέλων ML σε αυτό το πλαίσιο, με έμφαση στη χρήση τους στην ανάλυση εικόνων και στην διαγνωστική πρόβλεψη.

Μέθοδοι: Πραγματοποιήθηκε συστηματική αναζήτηση της βιβλιογραφίας στο PubMed στοχεύοντας μελέτες που δημοσιεύθηκαν την τελευταία πενταετία. Τα κριτήρια ένταξης περιλάμβαναν άρθρα που εφαρμόζουν μοντέλα ML στην ανίχνευση και διάγνωση του καρκίνου του πνεύμονα. Εξήχθησαν δεδομένα σχετικά με τους τύπους μοντέλων ML που χρησιμοποιήθηκαν, τις μετρικές απόδοσης (ευαισθησία, ειδικότητα, AUC), τις μεθόδους απεικόνισης που χρησιμοποιήθηκαν και τα συγκεκριμένα διαγνωστικά καθήκοντα που εξετάστηκαν. Οι μελέτες κατηγοριοποιήθηκαν βάσει των μοντέλων ML: Συνελικτικά Νευρωνικά Δίκτυα (CNNs), Τυχαία Δάση (RF), Λογιστική Παλινδρόμηση (LR), Μηχανές Διανυσματικής Υποστήριξης (SVM) και Μηχανές Βαθμωτής Ενίσχυσης (GBM).

Αποτελέσματα: Η ανασκόπηση περιέλαβε 41 μελέτες, καταλήγοντας στο ότι τα CNNs ήταν τα πιο συχνά χρησιμοποιούμενα μοντέλα ML, αποτελώντας το 29,27% των μελετών. Συγκεκριμένα, έδειξαν υψηλή αποτελεσματικότητα σε εργασίες ανάλυσης εικόνας όπως ανίχνευση, τμηματοποίηση και ταξινόμηση, συχνά επιτυγχάνοντας ευαισθησία και ειδικότητα άνω του 95%. Τα μοντέλα RF χρησιμοποιήθηκαν στο 12,20% των μελετών, δείχνοντας αξιοσημείωτη απόδοση στη διάκριση μεταξύ κακοήθων και καλοήθων όγκων. Τα LR και SVMs χρησιμοποιήθηκαν στο 9,76% και 7,32% των μελετών αντίστοιχα, παρέχοντας αξιόπιστες ικανότητες ταξινόμησης. Τα GBMs, αν και λιγότερο συχνά χρησιμοποιούμενα, έδειξαν υποσχόμενη προγνωστική ακρίβεια σε εργασίες πρώιμης ανίχνευσης.

Συζήτηση: Τα CNNs διέπρεψαν στον χειρισμό δεδομένων απεικόνισης, ιδιαίτερα σε αξονικές και PET/CT τομογραφίες, λόγω της ικανότητάς τους να εξάγουν ιεραρχικά χαρακτηριστικά από ιατρικές εικόνες. Οι μελέτες ανέδειξαν την ανώτερη ευαισθησία και ειδικότητα των CNNs, συχνά υπερβαίνοντας το 95%. Τα μοντέλα RF έδειξαν υψηλή διαγνωστική ακρίβεια, ιδιαίτερα στην αξιολόγηση της διεισδυτικότητας των όγκων και στην επεξεργασία μη απεικονιστικών δεδομένων. Τα SVMs ήταν αποτελεσματικά σε εργασίες που απαιτούσαν λεπτή διαφοροποίηση μεταξύ παρόμοιων συνθηκών. Οι αναδυόμενες στρατηγικές, όπως ο συνδυασμός μοντέλων ML με γονιδιωματικά και κλινικά δεδομένα, δημιουργούν προσδοκίες για βελτιωμένη διαγνωστική ακρίβεια και εξατομικευμένα σχέδια θεραπείας.

Οι μελέτες που εξετάστηκαν εμφάνιζαν περιορισμούς, όπως μικρά μεγέθη δειγμάτων, έλλειψη ποικιλομορφίας και περιορισμένη εξωτερική επικύρωση, εγείροντας ανησυχίες για τη γενίκευση των ευρημάτων. Η μελλοντική έρευνα πρέπει να επικεντρωθεί στην ενσωμάτωση πολυτροπικών δεδομένων και στην αντιμετώπιση αυτών των περιορισμών για τη βελτίωση της ευρωστίας και της εφαρμοσιμότητας των μοντέλων ML σε κλινικά περιβάλλοντα.

Introduction: Lung cancer remains one of the leading causes of cancer mortality worldwide, necessitating advanced diagnostic techniques for early detection and improvement of treatment outcomes. Recent advances in machine learning (ML) show promise in increasing the accuracy and effectiveness of lung cancer detection and diagnosis. This systematic review aims to evaluate the application and effectiveness of various ML models in this context, with emphasis on their use in image analysis and diagnostic prediction.

Methods: A systematic search of the literature was conducted in PubMed targeting studies published in the last five years. The inclusion criteria included articles applying ML models to the detection and diagnosis of lung cancer. Data were extracted on the types of ML models used, performance metrics (sensitivity, specificity, AUC), imaging methods used, and specific diagnostic tasks considered. The studies were categorized based on ML models: Convolutional Neural Networks (CNNs), Random Forests (RF), Logistic Regression (LR), Vector Support Engines (SVM) and Scalar Amplification Machines (GBM).

Results: The review included 41 studies, concluding that CNNs were the most commonly used ML models, making up 29.27% of the studies. In particular, they showed high efficiency in image analysis tasks such as detection, segmentation and classification, often achieving sensitivity and specificity of over 95%. RF models were used in 12.20% of the studies, showing remarkable performance in distinguishing between malignant and benign tumors. LR and SVMs were used in 9.76% and 7.32% of studies respectively, providing reliable classification capabilities. GBMs, although less commonly used, showed promising predictive accuracy in early detection tasks.

Discussion: CNNs excelled in manipulating imaging data, particularly CT and PET/CT scans, because of their ability to extract hierarchical features from medical images. The studies highlighted CNNs' superior sensitivity and specificity, often exceeding 95%. RF models showed high diagnostic accuracy, particularly in assessing tumor invasiveness and processing non-imaging data. SVMs were effective in tasks that required subtle differentiation between similar conditions. Emerging strategies, such as combining ML models with genomic and clinical data, create expectations for improved diagnostic accuracy and personalized treatment plans.

The studies examined had limitations, such as small sample sizes, lack of diversity, and limited external validation, raising concerns about the generalization of the findings. Future research should focus on integrating multimodal data and addressing these limitations to improve the robustness and applicability of ML models in clinical settings.