Bu sistematik icmal və meta-analiz süni intellekt dəstəkli ultrasəs elastoqrafiyasının döş xərçəngində xoşxassəli və bədxassəli lezyonları ayırd etmə dəqiqliyini qiymətləndirdi. Beş akademik məlumat bazasından müəyyən edilmiş 501 qeyddən seçilən 39 tədqiqat və ümumilikdə biopsiya ilə təsdiqlənmiş 6191 lezyon təhlil edildi. Ən yaxşı performans göstərən modellər əsasında aparılan əsas meta-analizdə süni intellekt dəstəkli elastoqrafiyanın birləşdirilmiş həssaslığı %90,3, spesifikliyi %88,0 və ROC əyrisi altında qalan sahəsi (AUC) %89,2 olaraq hesablandı. Bununla belə, tədqiqatlararası heterogenlik yüksək idi (I²=%78,0), nəşr qərəzinə dair Egger testi əhəmiyyətli idi (p=0,001) və tədqiqatların böyük hissəsi müstəqil xarici doğrulama əvəzinə təlim məlumatlarından və ya eyni mənbə populyasiyasından gələn məlumatlardan istifadə etmişdi. Buna görə nəticələr süni intellekt dəstəkli ultrasəs elastoqrafiyasının perspektivli köməkçi diaqnostik yanaşma olduğunu dəstəkləsə də, bu performans göstəriciləri real klinik praktikada zəmanətli dəqiqlik kimi şərh edilə bilməz.

Ultrasəs elastoqrafiyası (ultrasound elastography, UE) toxumanın deformasiya və ya sərtlik xüsusiyyətlərindən istifadə edir. Təhlil edilən tədqiqatlar bu görüntü məlumatını süni intellekt modellərinə ötürərək döş lezyonlarının təsnifatını qiymətləndirmişdir. Meta-analizdə yalnız elastoqrafiyadan istifadə edən sistemlərlə yanaşı B-mod ultrasəsi elastoqrafiya ilə birlikdə istifadə edən yanaşmalar, müxtəlif seqmentasiya metodları, məlumat artırma, çarpaz doğrulama, klassik maşın öyrənməsi və dərin öyrənmə modelləri ayrıca alt qruplar şəklində araşdırılmışdır.

Tədqiqatın əsas sualı nə idi?

Tədqiqatçılar süni intellektlə dəstəklənən ultrasəs elastoqrafiyasının döş xərçənginin təsnifatında nə dərəcədə dəqiq nəticə verdiyini və bu dəqiqliyin istifadə olunan süni intellekt modeli, seqmentasiya üsulu, məlumat artırma, çarpaz doğrulama, modelin qiymətləndirildiyi məlumat dəsti və B-mod ultrasəsin elastoqrafiyaya əlavə olunması kimi metodoloji seçimlərdən necə təsirləndiyini araşdırdılar.

Tədqiqatın diqqət mərkəzi yalnız “süni intellekt nə qədər dəqiqdir?” sualı deyil. Meta-analiz eyni zamanda yüksək model performanslarının hansı eksperimental şəraitdə əldə edildiyini sorğulayır. Bu fərq vacibdir; çünki təlim məlumatlarında yüksək uğur göstərən modelin fərqli xəstəxanalardan və ya fərqli pasiyent populyasiyalarından gələn görüntülərdə eyni performansı göstərməsinə zəmanət yoxdur.

Ultrasəs elastoqrafiyası nəyi ölçür?

Ultrasəs elastoqrafiyası toxumaların mexaniki xüsusiyyətlərindən istifadə edərək toxuma deformasiyası və ya sərtliyi haqqında məlumat verən görüntüləmə yanaşmasıdır. Mənbə tədqiqat iki əsas elastoqrafiya ailəsini vurğulayır: strain elastoqrafiya (SE) və shear wave elastoqrafiya (SWE). SE xaricdən tətbiq olunan kompressiyaya qarşı toxuma deformasiyasını keyfiyyət və ya yarımkəmiyyət baxımından qiymətləndirir; SWE isə toxumada kəsici dalğanın yayılmasından daha kəmiyyətli sərtlik ölçmələri yaradır.

Meta-analizdə elastoqrafiya görüntülərinin süni intellekt tərəfindən emalı; ilkin emal, lezyon seqmentasiyası, xüsusiyyət çıxarılması və xoşxassəli–bədxassəli təsnifat kimi müxtəlif mərhələləri əhatə edən tədqiqatlar üzrə qiymətləndirilmişdir. Araşdırılan modellər arasında süni neyron şəbəkələri, konvolyusion neyron şəbəkələri, dərin neyron şəbəkələri, dəstək vektor maşınları, logistik reqressiya, random forest, fuzzy üsullar və müxtəlif hibrid yanaşmalar var.

39 tədqiqata necə çatıldı?

Tədqiqat PRISMA-nın diaqnostik test dəqiqliyi tədqiqatlarına yönəlik əlavəsini izlədi. Protokol CRD42018091176 nömrəsi ilə PROSPERO-da qeydiyyata alındı. PubMed, CINAHL, Embase, Scopus və Web of Science məlumat bazaları başlanğıclarından etibarən axtarıldı; axtarış 22 iyun 2025 tarixində yeniləndi.

Metod bölməsində axtarış strategiyasının tarix və dil məhdudiyyəti daşımadığı bildirilsə də, uyğunluq meyarları arasında xarici dildə nəşrlərin xaric edilməsi meyarı mövcuddur. PRISMA axını da bir tədqiqatın xarici dil səbəbilə xaric edildiyini göstərir. Bu, mənbə tədqiqatda açıq görünən metodoloji ifadə fərqidir və nəticələr ötürülərkən nəzərdən qaçırılmamalıdır.

Tədqiqatların quruluşu necə idi?

Daxil edilən tədqiqatlar 2008–2025 illəri arasında dərc olunmuşdur. Ümumi 39 tədqiqatın 23-ü retrospektiv, 16-sı prospektivdir. Tədqiqat nümunələri 40 ilə 1000 lezyon arasında dəyişmiş və ümumi analiz biopsiya ilə təsdiqlənmiş 6191 müstəqil lezyonu əhatə etmişdir. Meta-analizdə lezyonların %43,0-ı bədxassəli kimi təsnif edilmişdir.

Seqmentasiya baxımından 14 tədqiqat avtomatik, 13 tədqiqat manual, 11 tədqiqat seqmentasiyasız və bir tədqiqat yarı avtomatik üsuldan istifadə etmişdir. Yalnız dörd tədqiqat məlumat artırma tətbiq etmişdir. İyirmi yeddi tədqiqat çarpaz doğrulamadan istifadə etmiş, 12 tədqiqatda isə bu üsul qeyd edilməmişdir.

Modelin qiymətləndirilmə formasındakı balanssızlıq xüsusilə vacibdir. İyirmi doqquz tədqiqat model performansını təlim mərhələsindəki məlumatlar üzərində bildirmiş; cəmi 10 tədqiqat doğrulama və ya xarici doğrulama məlumatlarına əsaslanmışdır. Məqalənin tədqiqat xüsusiyyətləri bölməsinə görə yalnız iki tədqiqatda həqiqi xarici doğrulama istifadə edilmişdir. Buna görə meta-analizin yüksək birləşdirilmiş performansı tamamilə müstəqil pasiyent populyasiyalarında doğrulanmış 39 ayrı modelin ortaq nəticəsi deyil.

Keyfiyyət və nəşr qərəzi nə göstərdi?

QUADAS-2 əsaslı qiymətləndirmədə tədqiqatların tətbiq etdiyi metodoloji qoruma tədbirlərinin sayı 7 ilə 12 arasında dəyişmiş və orta hesabla 10,1 olmuşdur. Tədqiqatçılar bu məlumatı quality effects modelində tədqiqat çəkilərini tənzimləmək üçün istifadə etmişlər.

Tədqiqatlar arasında nəzərəçarpan heterogenlik var idi: I²=%78,0. Bu dəyər pasiyent xüsusiyyətləri, ultrasəs sistemləri, elastoqrafiya üsulları, model arxitekturaları, görüntü emalı mərhələləri və doğrulama dizaynlarının eyni olmadığını göstərən mühüm xəbərdarlıqdır. Funnel plot-da yüngül müsbət asimmetriya görünmüş və Egger testi p=0,001 olaraq hesablanmışdır. Müəlliflər bunu yüksək diaqnostik performans bildirən kiçik tədqiqatların dərc olunma ehtimalının daha yüksək ola biləcəyinə dair nəşr qərəzi işarəsi kimi şərh etmişlər.

Niyə təlim dəsti nəticələri xüsusilə diqqət çəkir?

Ən diqqətəlayiq alt qrup nəticələrindən biri modelin hansı mərhələdə qiymətləndirilməsi ilə bağlıdır. Təlim mərhələsində qiymətləndirilən 29 tədqiqatda həssaslıq %92,2, spesifiklik %89,2 və AUC %90,8 ikən; doğrulama və xarici doğrulama qrupunda həssaslıq %83,0, spesifiklik %84,6 və AUC %83,8-ə düşmüşdür. Mənbə tədqiqatın müəllifləri bu fərqi təlim məlumatına yaxın qiymətləndirmələrin model performansını olduğundan daha nikbin göstərə bilmə ehtimalı ilə əlaqələndirirlər.

Tədqiqatın dəstəklədiyi nəticələr

• Araşdırılan ədəbiyyatda süni intellekt dəstəkli ultrasəs elastoqrafiyası xoşxassəli və bədxassəli döş lezyonlarını ayırd etməkdə orta-yüksək səviyyədə birləşdirilmiş diaqnostik performans göstərmişdir.
• Ən yaxşı model analizində birləşdirilmiş həssaslıq %90,3, spesifiklik %88,0 və AUC %89,2-dir.
• Avtomatik və ya seqmentasiyasız yanaşmalar manual/yarı avtomatik seqmentasiya qrupu ilə müqayisədə daha yüksək birləşdirilmiş spesifiklik göstərmişdir.
• Çarpaz doğrulamadan istifadə edən tədqiqatların birləşdirilmiş həssaslığı çarpaz doğrulama istifadə etməyən qrupdan daha yüksəkdir.
• Məlumat artırmadan istifadə edən dörd tədqiqatda yüksək performans görülmüşdür; lakin bu alt qrup kiçik olduğundan etibar intervalları genişdir.
• Klassik maşın öyrənməsi və hibrid modellər bu meta-analizdə neyron şəbəkəsi/dərin öyrənmə qrupuna yaxın və bəzi ölçülərdə bir qədər yüksək birləşdirilmiş nəticələr göstərmişdir.
• Model performansı müstəqil doğrulamaya yaxınlaşdıqca təlim mərhələsində görünən yüksək nəticələrin əhəmiyyətli dərəcədə aşağı düşdüyü görünür.

Tədqiqatın dəstəkləmədiyi və ya sübut etmədiyi nəticələr

• Süni intellekt dəstəkli elastoqrafiyanın təcrübəli radioloqlardan üstün olduğu sübut edilməmişdir; müəlliflər birbaşa və yetərli head-to-head müqayisəsinin olmadığını açıq şəkildə bildirirlər.
• Süni intellekt dəstəkli elastoqrafiyanın mammoqrafiyanı, biopsiyanı və ya mövcud klinik diaqnostika sistemlərini əvəz edə biləcəyi göstərilməmişdir.
• Meta-analizdəki yüksək performans bütün xəstəxanalarda, ultrasəs cihazlarında və pasiyent populyasiyalarında eyni dəqiqliyin əldə ediləcəyini göstərmir.
• Alt qrup fərqləri randomizə olunmuş müqayisələr olmadığı üçün müəyyən seqmentasiya, məlumat artırma və ya model tipinin performans artımına səbəb olduğunu sübut etmir.
• Tədqiqat süni intellekt istifadəsinin skrininq proqramlarında ölüm səviyyəsini azaltdığını və ya uzunmüddətli pasiyent nəticələrini yaxşılaşdırdığını yoxlamamışdır.
• Biopsiya sayının real klinik praktikada nə qədər azaldıla biləcəyi bu meta-analizdən birbaşa müəyyən edilə bilməz.
• Birləşdirilmiş diaqnostik dəqiqlik dəyərləri klinik istifadəyə hazır tək bir məhsulun və ya tək modelin performansı deyil.

Türkiyə baxımından necə şərh edilməlidir?

Meta-analizə Türkiyədən prospektiv bir tədqiqat daxil edilmişdir; lakin ümumi məlumat dəstinin böyük hissəsi müxtəlif ölkələrdən və xüsusilə Asiya populyasiyalarından gəlir. Buna görə %90,3 həssaslıq və ya %88,0 spesifiklik dəyərləri Türkiyədəki bir səhiyyə müəssisəsində birbaşa gözlənilən performans kimi təqdim edilə bilməz. Mənbə tədqiqatın öz məhdudiyyətləri də fərqli pasiyent populyasiyaları, cihaz istehsalçıları, görüntüləmə protokolları və xarici doğrulama çatışmazlığının ümumiləşdirilməni məhdudlaşdırdığını vurğulayır.

Tədqiqatın Metodu və Nəticələri

Diaqnostik dəqiqlik meta-analizi necə aparıldı?

Tədqiqatçılar daxil edilən tədqiqatlardan doğru müsbət (TP), yanlış müsbət (FP), doğru mənfi (TN) və yanlış mənfi (FN) dəyərlərini çıxardılar və ya bildirilən həssaslıq və spesifiklikdən bunları yenidən hesabladılar. Çoxsinifli nəticələr bədxassəli və xoşxassəli olmaqla ikili quruluşa çevrildi.

Məlumat artırma və ya çarpaz doğrulama səbəbindən virtual nümunə sayı böyüyən tədqiqatlarda TP, FP, FN və TN dəyərləri orijinal nümunə ölçüsünə görə yenidən miqyaslandı. Beləliklə süni şəkildə çoxaldılmış nümunələrin meta-analizdə qeyri-mütənasib çəki yaratmasının qarşısının alınması hədəfləndi.

Hər tədqiqatda birdən çox model bildirilibsə, əsas analiz üçün müəlliflərin tövsiyə etdiyi və ya ən yüksək diaqnostik dəqiqliyi verən model seçildi. Bu yanaşma mövcud texnologiyaların potensialını qiymətləndirməyi hədəfləsə də, tədqiqatçılar bunun nəticələri yuxarı istiqamətdə təsir edə biləcək nikbin model seçimi qərəzi yarada biləcəyini qəbul edirlər.

İstifadə olunan statistik üsul

Tədqiqat keyfiyyətini sintezə daxil etmək üçün quality effects model istifadə edildi. Həssaslıq, spesifiklik, müsbət və mənfi ehtimallıq nisbətləri, diaqnostik odds nisbəti və AUC üçün split component synthesis (SCS) üsulu tətbiq olundu. Heterogenlik I² statistikası ilə, kiçik tədqiqat/nəşr qərəzi isə funnel plot və Egger reqressiya testi ilə qiymətləndirildi. Analizlər Stata 16 və “diagma” modulu ilə aparıldı.

Diaqnostik ölçülərin əsas formulları aşağıdakı anlayışlara əsaslanır:

\[ Duyarlılık=\frac{TP}{TP+FN} \]

\[ Özgüllük=\frac{TN}{TN+FP} \]

Həssaslıq bədxassəli halların nə qədərinin test tərəfindən müsbət təsnif edildiyini; spesifiklik isə xoşxassəli/mənfi halların nə qədərinin düzgün şəkildə mənfi təsnif edildiyini ifadə edir.

Ümumi meta-analiz nəticəsi

Seqmentasiya yanaşması nə qədər fərq yaratdı?

Manual və ya yarı avtomatik seqmentasiyadan istifadə edən 14 tədqiqat 2210 nümunəni, avtomatik və ya açıq seqmentasiya istifadə etməyən 25 tədqiqat isə 4081 nümunəni əhatə edirdi. Həssaslıqlar bir-birinə çox yaxın idi: müvafiq olaraq %90,2 və %90,7. Buna qarşı spesifiklik manual/yarı avtomatik qrupda %81,9, avtomatik/seqmentasiyasız qrupda %91,1 olaraq hesablandı. AUC dəyərləri də müvafiq olaraq %86,6 və %90,9 idi.

Mənbə mətn %91,1-lik spesifikliyin “bədxassəli lezyonları düzgün təsnif etmə” ehtimalını artırdığını bildirir. Lakin məqalənin özündə istifadə edilən standart diaqnostik tərifə görə spesifiklik \(TN/(TN+FP)\) olub mənfi/xoşxassəli nümunələrin düzgün təsnif edilməsini ifadə edir. Buna görə mənbədəki bu terminoloji uyğunsuzluq burada açıq şəkildə qeydə alınmışdır.

Məlumat artırma və çarpaz doğrulama

Məlumat artırmadan istifadə edən yalnız dörd tədqiqat cəmi 926 nümunə əhatə edirdi. Bu qrupun birləşdirilmiş həssaslığı %92,2 və spesifikliyi %92,4 olaraq hesablandı. Məlumat artırmadan istifadə etməyən 35 tədqiqatda müvafiq dəyərlər %89,9 və %87,4 idi. Lakin məlumat artırma qrupu yalnız dörd tədqiqatdan ibarət olduğundan etibar intervalları geniş idi; müəlliflər bu nəticənin sabitliyinin ehtiyatla şərh edilməli olduğunu xüsusilə vurğulayırlar.

Çarpaz doğrulamadan istifadə edən 27 tədqiqatda həssaslıq %92,4 və spesifiklik %88,3 ikən, çarpaz doğrulama istifadə etməyən 12 tədqiqatda müvafiq olaraq %86,4 və %87,3 hesablandı. Bu nəticələr çarpaz doğrulama ilə birlikdə daha yüksək birləşdirilmiş performans görülməsi ilə uyğundur; lakin tədqiqat səviyyəsindəki alt qrup müqayisəsi çarpaz doğrulamanın təkbaşına bu fərqi yaratdığını sübut etmir.

B-mod ultrasəs elastoqrafiyaya əlavə edildikdə nə oldu?

Yalnız elastoqrafiyadan istifadə edən 17 tədqiqatda həssaslıq %88,3, spesifiklik %89,5 və AUC %88,9 idi. B-mod ultrasəs ilə elastoqrafiyanı birlikdə istifadə edən 22 tədqiqatda həssaslıq %91,8-ə, AUC %89,5-ə yüksəlsə də, spesifiklik %86,5-ə düşdü. Buna görə mənbə tədqiqatın bimodal yanaşma lehinə şərhinə baxmayaraq, alt qrup nəticələri bütün diaqnostik ölçülərin eyni istiqamətdə yaxşılaşdığını göstərmir: həssaslıq və AUC daha yüksək, spesifiklik isə daha aşağıdır.

Klassik maşın öyrənməsi ilə dərin öyrənmə

Neyron şəbəkəsi və dərin öyrənmə qrupundakı 16 tədqiqatda həssaslıq %90,3, spesifiklik %86,9, DOR 61,7 və AUC %88,7 olaraq hesablandı. Klassik maşın öyrənməsi və hibrid modelləri əhatə edən 23 tədqiqatda isə həssaslıq %90,4, spesifiklik %89,0, DOR 76,1 və AUC %89,7 idi. Bu meta-analizdə daha mürəkkəb dərin öyrənmə modelləri avtomatik şəkildə daha yüksək birləşdirilmiş diaqnostik performans göstərməmişdir.

Məqalənin müzakirə mətnində klassik maşın öyrənməsi qrupunun spesifikliyi bir yerdə %86,9 kimi yazılmışdır. Əsas nəticə Cədvəl 2 isə bu qrupun spesifikliyini %89,0; neyron şəbəkəsi/dərin öyrənmə qrupunun spesifikliyini %86,9 olaraq verir. Buna görə yuxarıdakı cədvəldə mənbə tədqiqatın əsas nəticə cədvəlindəki dəyərlər qorunmuşdur.

“Ən yaxşı model” seçiminin təsiri yoxlanıldımı?

Əsas analiz hər tədqiqatdakı ən yaxşı model əsasında aparıldığı üçün tədqiqatçılar əlavə olaraq çıxarılmış bütün uyğun model məlumat dəstlərindən istifadə etməklə həssaslıq analizi apardılar. Bu analizdə həssaslıq %88,1 (%95 GA %85,4–90,4), spesifiklik isə %88,2 (%95 GA %85,5–90,5) olaraq tapıldı və müəlliflər nəticələrin ən yaxşı model kohortundan statistik baxımdan əhəmiyyətli dərəcədə fərqlənmədiyini bildirdilər. Bununla belə, əsas analizdə ən yüksək performanslı modelin seçilməsinin yarada biləcəyi nikbin qərəz tədqiqatın məhdudiyyətləri arasında saxlanılmalıdır.

Real klinik tətbiq baxımından əsas maneələr

Mənbə tədqiqat süni intellekt dəstəkli elastoqrafiyanın klinik ötürülməsində əsas problemləri müxtəlif ultrasəs istehsalçıları və cihazları, prob tezlikləri, xüsusi siqnal emalı alqoritmləri, görüntüləmə dərinliyi, strain elastoqrafiyada tətbiq olunan kompressiya, prob istiqaməti, bölgə seçimi, pasiyent populyasiyaları və histopatoloji nümunələmə fərqləri kimi sıralayır.

Bundan əlavə döş toxumasının homogen, izotropik və xətti elastik struktur olmadığı; heterogenlik, anizotropiya və viskoelastik davranışın elastoqrafiya ölçmələrinə təsir edə biləcəyi vurğulanır. Müəlliflər gələcəkdə fizika əsaslı modelləşdirmə, sonlu elementlər üsulu ilə süni intellektin birlikdə istifadəsi, daha ətraflı toxuma mexanikası modelləşdirməsi və çoxmərkəzli xarici doğrulamanı araşdırılmalı istiqamətlər sırasında qiymətləndirirlər.

Buna görə meta-analizin əsas mesajı “süni intellekt döş xərçəngini %90 dəqiqliklə diaqnoz edir” formasında sadələşdirilə bilməz. Tədqiqat çox müxtəlif alqoritm və klinik şəraitdən əldə edilmiş ədəbiyyatı bir araya gətirir və öz nəticə bölməsində AI dəstəkli elastoqrafiyanı müstəqil qəti diaqnostika vasitəsi deyil, potensial köməkçi diaqnostik vasitə kimi mövqeləndirir.

Mənbə və Metod Qeydi

Maliyyələşdirmə və maraqlar toqquşması

Müəlliflər tədqiqatın dövlət, kommersiya və ya qeyri-kommersiya maliyyələşdirmə qurumlarından xüsusi xarici qrant almadığını bildirmişlər. Bununla yanaşı Mohammed Imad Malki üçün Qatar University daxili qrantı QUCG-CMED-25/26-750 göstərilmiş və məqalə emalı haqqının QU Health, Qatar University tərəfindən ödənildiyi açıqlanmışdır.

Ibrahim Elmakaty, Ruba Abdo, Amr Ouda və Mohamed Elmarasi-nin Hamad Medical Corporation-da çalışdığı bildirilmişdir. Müəlliflər tədqiqatın kommersiya və ya maliyyə maraqlar toqquşması yarada biləcək əlaqələr olmadan aparıldığını bəyan etmişlər.

Məlumat əlçatanlığı

Əsas analizdə istifadə olunan ən yaxşı süni intellekt modellərinə dair qiymətləndirmə ölçüləri məqalənin Cədvəl 1-də verilmişdir. Tədqiqat zamanı yaradılmış və ya təhlil edilmiş əlavə məlumat dəstlərinin əsaslandırılmış sorğu əsasında məsul müəllifdən əldə oluna biləcəyi bildirilmişdir.

Müəllif töhfələri

Ibrahim Elmakaty və Ruba Abdo məlumatların idarə olunması, formal analiz, tədqiqat, metodologiya, ilkin qaralama və nəzərdən keçirmə/redaktəyə töhfə vermişdir. Amr Ouda və Mohamed Elmarasi məlumatların idarə olunması və yazı işlərinə; Mohamed Elahtem və Yaman Khamis məlumatların idarə olunması və nəzərdən keçirməyə töhfə vermişdir. Mohammed Imad Malki konseptuallaşdırma, tədqiqat, metodologiya, nəzarət, ilkin qaralama və nəzərdən keçirmə/redaktə vəzifələrini yerinə yetirmiş və məqalənin nəşrə göndərilməsi ilə bağlı yekun qərara cavabdeh olmuşdur.

Metodoloji məhdudiyyətlərin xülasəsi

• Tədqiqatlar arasında yüksək heterogenlik vardır: I²=%78,0.
• Egger testi nəşr qərəzi/kiçik tədqiqat təsiri baxımından əhəmiyyətlidir: p=0,001.
• Daxil edilən tədqiqatların çoxu retrospektivdir.
• Xarici doğrulama çox məhduddur; tədqiqat xüsusiyyətlərinə görə yalnız iki tədqiqat xarici doğrulamadan istifadə etmişdir.
• Bir çox model təlim mərhələsində və ya eyni mənbə populyasiyasındakı məlumatlarla qiymətləndirilmişdir.
• Əsas analizdə hər tədqiqatın ən yaxşı modeli seçildiyindən nikbin seçim qərəzi ehtimalı mövcuddur.
• Tədqiqatlar əsasən Asiya populyasiyalarından gəlir və qlobal ümumiləşdirilmə məhduddur.
• Ultrasəs cihazları, görüntü əldə etmə protokolları, elastoqrafiya üsulları və ilkin emal yanaşmaları standart deyil.
• Operatora bağlı kompressiya və prob istiqaməti kimi amillərə nəzarət edilə bilməmişdir.
• Təcrübəli radioloqlarla birbaşa və sistematik müqayisə yetərli deyil.
• Alt qrup ölçüləri balanssızdır; xüsusilə məlumat artırma qrupu yalnız dörd tədqiqatdan ibarətdir.
• Meta-analiz klinik skrininq yollarında pasiyent nəticələrini, mortaliteni və ya real biopsiya azalmasını birbaşa yoxlamamışdır.

Nəticə olaraq, tədqiqat süni intellekt dəstəkli ultrasəs elastoqrafiyasının döş lezyonlarının təsnifatında yüksək potensial daşıdığını göstərir; lakin mövcud sübut səviyyəsi tətbiqin müstəqil klinik diaqnostika sistemi kimi qəbul edilməsi üçün yetərli deyil. Müəlliflərin yekun tövsiyəsi standartlaşdırılmış protokollardan istifadə edən böyük, prospektiv və çoxmərkəzli tədqiqatlarla yanaşı həqiqi xarici doğrulamanın artırılmasıdır.