Artificial intelligence as diagnostic modality for keratoconus: A systematic review and meta-analysis

Abstract

الملخص: أهداف البحث: دفعت التحديات في تشخيص القرنية المخروطية الباحثين إلى استكشاف استخدام الذكاء الاصطناعي كأداة تشخيصية. لقد ظهر الذكاء الاصطناعي كطريقة جديدة لتحسين كفاءة تشخيص القرنية المخروطية. تهدف هذه الدراسة إلى تحليل استخدام الذكاء الاصطناعي كوسيلة لتشخيص القرنية المخروطية. طريقة البحث: استخدمت هذه الدراسة مراجعة منهجية وتحليلا تلويا باتباع إرشادات بريزما (عناصر إعداد التقارير المفضلة للمراجعات المنهجية والتحليلات الوصفية) لعام 2020. لقد بحثنا في قواعد بيانات مختارة باستخدام مجموعة من مصطلحات البحث: ''((الذكاء الاصطناعي) أو (طريقة التشخيص)) و(القرنية المخروطية)'' من ''ببميد'' و ''ميدلاين'' و ''ساينس دايركت'' خلال السنوات الخمس الماضية (2018-2023). بعد بروتوكول المراجعة المنهجية، اخترنا 11 مقالة وكانت 6 مقالات مؤهلة للتحليل النهائي. تم تحليل البيانات ذات الصلة باستخدام برنامج ريفيو مانيجر 5.4. النتائج: وجد هذا البحث أن الشبكات العصبية هي نموذج الذكاء الاصطناعي الأكثر استخداما في تشخيص القرنية المخروطية. أظهرت الشبكات العصبية أعلى دقة للذكاء الاصطناعي في تشخيص القرنية المخروطية. أثبتت جميع الدراسات في كل مجموعة حساسية ونوعية عالية تزيد عن 0.90. الاستنتاجات: من المحتمل أن يقوم الذكاء الاصطناعي بتشخيص أفضل للقرنية المخروطية من خلال أدائه العالي، خاصة فيما يتعلق بالحساسية والنوعية، مما يمكن أن يساعد الأطباء على اتخاذ قرارات طبية بشأن المرضى. Abstract: Objectives: The challenges in diagnosing keratoconus (KC) have led researchers to explore the use of artificial intelligence (AI) as a diagnostic tool. AI has emerged as a new way to improve the efficiency of KC diagnosis. This study analyzed the use of AI as a diagnostic modality for KC. Methods: This study used a systematic review and meta-analysis following the 2020 Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) guidelines. We searched selected databases using a combination of search terms: “((Artificial Intelligence) OR (Diagnostic Modality)) AND (Keratoconus)” from PubMed, Medline, and ScienceDirect within the last 5 years (2018–2023). Following a systematic review protocol, we selected 11 articles and 6 articles were eligible for final analysis. The relevant data were analyzed with Review Manager 5.4 software and the final output was presented in a forest plot. Results: This research found neural networks as the most used AI model in diagnosing KC. Neural networks and naïve bayes showed the highest accuracy of AI in diagnosing KC with a sensitivity of 1.00, while random forests were >0.90. All studies in each group have proven high sensitivity and specificity over 0.90. Conclusions: AI potentially makes a better diagnosis of the KC with its high performance, particularly on sensitivity and specificity, which can help clinicians make medical decisions about an individual patient.

Keywords

• Artificial intelligence
• Diagnostic modality
• Keratoconus
• Meta-analysis
• Systematic review