Бул системалуу сереп жана мета-анализ жасалма интеллект колдогон ультраүндүк эластографиянын эмчек рагында залалсыз жана залалдуу жабыркоолорду айырмалоо тактыгын баалады. Беш академиялык маалымат базасынан табылган 501 жазуунун ичинен тандалган 39 изилдөө жана биопсия менен тастыкталган жалпы 6191 жабыркоо талданды. Эң жакшы көрсөткүч берген моделдер боюнча жүргүзүлгөн негизги мета-анализде жасалма интеллект колдогон эластографиянын бириктирилген сезгичтиги %90,3, өзгөчөлүгү %88,0 жана ROC ийри сызыгынын астындагы аянты (AUC) %89,2 деп эсептелди. Бирок изилдөөлөр аралык гетерогендүүлүк жогору болгон (I²=%78,0), жарыялоо ыктымалдуулугуна байланыштуу Egger тести маанилүү чыккан (p=0,001), ал эми изилдөөлөрдүн көбү көз карандысыз тышкы валидациянын ордуна окутуу маалыматтарын же ошол эле булак популяциясынан алынган маалыматтарды колдонгон. Ошондуктан жыйынтыктар жасалма интеллект колдогон ультраүндүк эластография келечектүү жардамчы диагностикалык ыкма экенин колдогону менен, бул көрсөткүчтөр реалдуу клиникалык практикада кепилденген тактык катары чечмеленбеши керек.

Ультраүндүк эластография (ultrasound elastography, UE) ткандын деформация же катуулук касиеттерин колдонот. Каралган изилдөөлөр бул сүрөт маалыматтарын жасалма интеллект моделдерине берип, эмчек жабыркоолорун классификациялоону баалашкан. Мета-анализде эластографияны гана колдонгон системалар менен бирге B-mode ультраүндү эластография менен айкалыштырган ыкмалар, ар кандай сегментация ыкмалары, маалыматтарды көбөйтүү, кайчылаш валидация, классикалык машиналык үйрөнүү жана терең үйрөнүү моделдери өзүнчө чакан топтор катары каралган.

Изилдөөнүн негизги суроосу кандай болгон?

Изилдөөчүлөр жасалма интеллект колдогон ультраүндүк эластография эмчек рагын классификациялоодо канчалык так жыйынтык берерин жана бул тактык колдонулган жасалма интеллект модели, сегментация ыкмасы, маалыматтарды көбөйтүү, кайчылаш валидация, модель бааланган маалымат топтому жана B-mode ультраүндүн эластографияга кошулушу сыяктуу методологиялык тандоолордон кандайча таасирленерин изилдешкен.

Изилдөөнүн көңүлү “жасалма интеллект канчалык так?” деген суроо менен гана чектелбейт. Мета-анализ жогорку модель көрсөткүчтөрү кандай эксперименттик шарттарда алынганын да карайт. Бул айырма маанилүү; анткени окутуу маалыматтарында жогорку көрсөткүч берген модель башка ооруканалардан же башка бейтап популяцияларынан келген сүрөттөрдө ошол эле көрсөткүчтү көрсөтөрүнө кепилдик жок.

Ультраүндүк эластография эмнени өлчөйт?

Ультраүндүк эластография ткандардын механикалык касиеттерин колдонуп, ткандын деформациясы же катуулугу жөнүндө маалымат берүүчү сүрөттөө ыкмасы. Булак изилдөө эластографиянын эки негизги үй-бүлөсүн баса белгилейт: strain elastography (SE) жана shear wave elastography (SWE). SE сырттан берилген компрессияга жооп катары ткандын деформациясын сапаттык же жарым сандык түрдө баалайт; SWE болсо ткандын ичиндеги жылыш толкунунун таралышынан сандык катуулук өлчөөлөрүн чыгарат.

Мета-анализде эластография сүрөттөрүн жасалма интеллект менен иштетүү алдын ала иштетүү, жабыркоону сегментациялоо, белгилерди чыгарып алуу жана залалсыз–залалдуу классификация сыяктуу ар кандай этаптарды камтыган изилдөөлөрдүн негизинде бааланган. Каралган моделдердин арасында жасалма нейрон тармактары, convolutional нейрон тармактары, терең нейрон тармактары, support vector machines, логистикалык регрессия, random forest, fuzzy ыкмалар жана ар түрдүү гибриддик ыкмалар бар.

39 изилдөөгө кантип жетишкен?

Изилдөө PRISMAнын диагностикалык тесттин тактыгына арналган кеңейтүүсүн карманган. Протокол CRD42018091176 номери менен PROSPEROда катталган. PubMed, CINAHL, Embase, Scopus жана Web of Science маалымат базалары түзүлгөн күнүнөн тартып изделген; издөө 22-июнь 2025-жылы жаңыртылган.

Метод бөлүмүндө издөө стратегиясында дата же тил боюнча чектөө болбогону айтылганы менен, жарамдуулук критерийлеринде чет тилдеги жарыялоолорду чыгаруу шарты бар. PRISMA агымы да бир изилдөө чет тилде болгону үчүн чыгарылганын көрсөтөт. Бул булак изилдөөдө ачык көрүнгөн методологиялык баяндоонун айырмасы жана жыйынтыктарды жеткирүүдө көз жаздымда калбашы керек.

Изилдөөлөрдүн түзүлүшү кандай болгон?

Киргизилген изилдөөлөр 2008–2025-жылдар аралыгында жарыяланган. Жалпы 39 изилдөөнүн 23ү ретроспективдүү, 16сы проспективдүү. Үлгүлөр 40тан 1000 жабыркоого чейин өзгөргөн жана жалпы анализ биопсия менен тастыкталган 6191 көз карандысыз жабыркоону камтыган. Мета-анализдеги жабыркоолордун %43,0ы залалдуу деп классификацияланган.

Сегментация боюнча 14 изилдөө автоматтык, 13 изилдөө кол менен, 11 изилдөө сегментациясыз жана бир изилдөө жарым автоматтык ыкманы колдонгон. Болгону төрт изилдөө маалыматтарды көбөйтүүнү колдонгон. Жыйырма жети изилдөө кайчылаш валидация колдонсо, 12 изилдөөдө бул ыкма көрсөтүлгөн эмес.

Модель баалоо формасындагы тең салмаксыздык өзгөчө маанилүү. Жыйырма тогуз изилдөө модель көрсөткүчүн окутуу баскычындагы маалыматтарда билдирген; болгону 10 изилдөө валидация же тышкы валидация маалыматтарына таянган. Макаланын изилдөө мүнөздөмөлөрү бөлүмүнө ылайык, чыныгы тышкы валидация болгону эки изилдөөдө колдонулган. Ошондуктан мета-анализдеги жогорку бириктирилген көрсөткүч толугу менен көз карандысыз бейтап популяцияларында текшерилген 39 өзүнчө моделдин жалпы жыйынтыгы эмес.

Сапат жана жарыялоо ыктымалдыгы эмнени көрсөттү?

QUADAS-2 негизиндеги баалоодо изилдөөлөр колдонгон методологиялык коргоо чараларынын саны 7ден 12ге чейин өзгөрүп, орточо 10,1 болгон. Изилдөөчүлөр бул маалыматты quality effects model ичинде изилдөө салмактарын жөнгө салуу үчүн колдонушкан.

Изилдөөлөрдүн ортосунда олуттуу гетерогендүүлүк бар болчу: I²=%78,0. Бул көрсөткүч бейтап мүнөздөмөлөрү, ультраүндүк системалар, эластография ыкмалары, модель архитектуралары, сүрөт иштетүү кадамдары жана валидация дизайндары бирдей эмес экенин көрсөткөн маанилүү эскертүү. Funnel plotто жеңил оң асимметрия көрүнүп, Egger тести p=0,001 деп эсептелген. Авторлор муну жогорку диагностикалык көрсөткүч билдирген чакан изилдөөлөрдүн жарыялануу мүмкүнчүлүгү жогору болушу мүмкүн деген жарыялоо ыктымалдыгынын белгиси катары чечмелешкен.

Эмне үчүн окутуу топтомунун жыйынтыктары өзгөчө көңүл бурат?

Эң көрүнүктүү чакан топ жыйынтыктарынын бири модель кайсы баскычта бааланганы менен байланыштуу. Окутуу баскычында бааланган 29 изилдөөдө сезгичтик %92,2, өзгөчөлүк %89,2 жана AUC %90,8 болсо; валидация жана тышкы валидация тобунда сезгичтик %83,0, өзгөчөлүк %84,6 жана AUC %83,8ге түшкөн. Булак изилдөөнүн авторлору бул айырманы окутуу маалыматтарына жакын баалоо модель көрсөткүчүн реалдуудан оптимисттик кылып көрсөтүшү мүмкүн деп байланыштырган.

Изилдөө колдогон жыйынтыктар

• Каралган адабиятта жасалма интеллект колдогон ультраүндүк эластография залалсыз жана залалдуу эмчек жабыркоолорун айырмалоодо орто-жогорку деңгээлдеги бириктирилген диагностикалык көрсөткүч көрсөткөн.
• Эң жакшы модель анализинде бириктирилген сезгичтик %90,3, өзгөчөлүк %88,0 жана AUC %89,2.
• Автоматтык же сегментациясыз ыкмалар кол менен/жарым автоматтык сегментация тобуна салыштырмалуу жогорку бириктирилген өзгөчөлүк көрсөткөн.
• Кайчылаш валидация колдонгон изилдөөлөрдүн бириктирилген сезгичтиги кайчылаш валидация колдонбогон топтон жогору.
• Маалыматтарды көбөйтүү колдонгон төрт изилдөөдө жогорку көрсөткүч байкалган; бирок бул чакан топ аз болгондуктан ишеним аралыктары кең.
• Классикалык машиналык үйрөнүү жана гибриддик моделдер бул мета-анализде нейрон тармак/терең үйрөнүү тобуна жакын жана айрым көрсөткүчтөрдө бир аз жогору бириктирилген жыйынтыктарды көрсөткөн.
• Модель көрсөткүчү көз карандысыз валидацияга жакындаган сайын окутуу баскычында байкалган жогорку жыйынтыктар олуттуу төмөндөйт.

Изилдөө колдобогон же далилдебеген жыйынтыктар

• Жасалма интеллект колдогон эластография тажрыйбалуу радиологдордон артык экени далилденген эмес; авторлор түз жана жетиштүү head-to-head салыштыруу жок экенин ачык айтышат.
• Жасалма интеллект колдогон эластография маммографияны, биопсияны же учурдагы клиникалык диагностика системаларын алмаштыра алары көрсөтүлгөн эмес.
• Мета-анализдеги жогорку көрсөткүч бардык ооруканаларда, ультраүндүк аппараттарда жана бейтап популяцияларында ошол эле тактык алынарын билдирбейт.
• Чакан топ айырмалары рандомизацияланган салыштыруулар эмес болгондуктан, белгилүү сегментация, маалымат көбөйтүү же модель түрү көрсөткүчтү себептүү түрдө жакшыртат деп далилдебейт.
• Изилдөө AI колдонуу скрининг программаларында өлүм көрсөткүчүн азайтарын же узак мөөнөттүү бейтап жыйынтыктарын жакшыртарын текшерген эмес.
• Биопсиялардын санын реалдуу клиникалык практикада канчалык азайтууга болору бул мета-анализден түз аныкталбайт.
• Бириктирилген диагностикалык тактык маанилери клиникалык колдонууга даяр жалгыз продукттун же жалгыз моделдин көрсөткүчү эмес.

Түркия жагынан кандай чечмелениши керек?

Мета-анализге Түркиядан проспективдүү бир изилдөө киргизилген; бирок жалпы маалымат топтомунун чоң бөлүгү ар кайсы өлкөлөрдөн жана өзгөчө Азия популяцияларынан алынган. Ошондуктан %90,3 сезгичтик же %88,0 өзгөчөлүк маанилери Түркиядагы саламаттык сактоо мекемесинде түз күтүлүүчү көрсөткүч катары берилбеши керек. Булак изилдөөнүн өз чектөөлөрү да бейтап популяцияларынын, аппарат өндүрүүчүлөрдүн, сүрөттөө протоколдорунун айырмасын жана тышкы валидациянын жоктугун жалпыга жайылтууну чектеген факторлор катары баса белгилейт.

Изилдөөнүн методу жана жыйынтыктары

Диагностикалык тактык мета-анализи кантип жүргүзүлгөн?

Изилдөөчүлөр киргизилген изилдөөлөрдөн чыныгы оң (TP), жалган оң (FP), чыныгы терс (TN) жана жалган терс (FN) маанилерин алышкан же билдирилген сезгичтик жана өзгөчөлүктөн кайра эсептешкен. Көп класстуу жыйынтыктар залалдуу жана залалсыз болуп бинардык түзүлүшкө айландырылган.

Маалыматтарды көбөйтүү же кайчылаш валидациядан улам виртуалдык үлгүлөрдүн саны көбөйгөн изилдөөлөрдө TP, FP, FN жана TN маанилери баштапкы үлгү өлчөмүнө жараша кайра масштабдалган. Муну менен жасалма көбөйтүлгөн үлгүлөрдүн мета-анализде пропорциясыз салмак алып калышына жол бербөө көздөлгөн.

Ар бир изилдөөдө бир нече модель берилсе, негизги анализ үчүн авторлор сунуштаган же эң жогорку диагностикалык тактык көрсөткөн модель тандалган. Бул ыкма учурдагы технологиялардын мүмкүнчүлүгүн баалоону көздөсө да, изилдөөчүлөр анын жыйынтыктарды жогорулатып көрсөтүшү мүмкүн болгон оптимисттик модель тандоо ыктымалдыгын жаратарын моюнга алышат.

Колдонулган статистикалык ыкма

Изилдөө сапатын синтезге кошуу үчүн quality effects model колдонулган. Сезгичтик, өзгөчөлүк, оң жана терс ыктымалдык катыштары, диагностикалык odds катышы жана AUC үчүн split component synthesis (SCS) ыкмасы колдонулган. Гетерогендүүлүк I² статистикасы менен, чакан изилдөө/жарыялоо ыктымалдыгы funnel plot жана Egger регрессия тести менен бааланган. Анализдер Stata 16 жана “diagma” модулу менен жүргүзүлгөн.

Диагностикалык көрсөткүчтөрдүн негизги формулалары төмөнкү түшүнүктөргө таянат:

\[ Duyarlılık=\frac{TP}{TP+FN} \]

\[ Özgüllük=\frac{TN}{TN+FP} \]

Сезгичтик залалдуу учурлардын канчасы тест тарабынан оң деп классификацияланганын; өзгөчөлүк болсо залалсыз/терс учурлардын канчасы туура түрдө терс деп классификацияланганын билдирет.

Жалпы мета-анализ жыйынтыгы

Сегментация ыкмасы канчалык айырма жаратты?

Кол менен же жарым автоматтык сегментация колдонгон 14 изилдөө 2210 үлгүнү, автоматтык же ачык сегментация колдонбогон 25 изилдөө 4081 үлгүнү камтыган. Сезгичтиктер абдан жакын болгон: тиешелүүлүгүнө жараша %90,2 жана %90,7. Ал эми өзгөчөлүк кол менен/жарым автоматтык топто %81,9, автоматтык/сегментациясыз топто %91,1 болгон. AUC маанилери да тиешелүүлүгүнө жараша %86,6 жана %90,9.

Булак текст %91,1 өзгөчөлүк “залалдуу жабыркоолорду туура классификациялоо” ыктымалдыгын жогорулатат деп айтат. Бирок макаланын өзүндө колдонулган стандарттык диагностикалык аныктама боюнча өзгөчөлүк \(TN/(TN+FP)\) болуп, терс/залалсыз үлгүлөрдү туура классификациялоону билдирет. Ошондуктан булактагы бул терминологиялык дал келбестик бул жерде ачык белгиленген.

Маалыматтарды көбөйтүү жана кайчылаш валидация

Маалыматтарды көбөйтүү колдонгон болгону төрт изилдөө жалпы 926 үлгүнү камтыган. Бул топтун бириктирилген сезгичтиги %92,2 жана өзгөчөлүгү %92,4 болгон. Маалымат көбөйтүү колдонбогон 35 изилдөөдө тиешелүү маанилер %89,9 жана %87,4 болгон. Бирок маалымат көбөйтүү тобу болгону төрт изилдөөдөн тургандыктан ишеним аралыктары кең болгон; авторлор бул жыйынтыктын туруктуулугун этият чечмелөө керектигин өзгөчө баса белгилешет.

Кайчылаш валидация колдонгон 27 изилдөөдө сезгичтик %92,4 жана өзгөчөлүк %88,3 болсо, кайчылаш валидация колдонбогон 12 изилдөөдө тиешелүүлүгүнө жараша %86,4 жана %87,3 болгон. Бул жыйынтыктар кайчылаш валидация менен бирге жогорку бириктирилген көрсөткүч байкалганына шайкеш; бирок изилдөө деңгээлиндеги чакан топ салыштыруу кайчылаш валидация жалгыз өзү бул айырманы жаратты деп далилдебейт.

B-mode ультраүндү эластографияга кошулганда эмне болду?

Эластографияны гана колдонгон 17 изилдөөдө сезгичтик %88,3, өзгөчөлүк %89,5 жана AUC %88,9 болгон. B-mode ультраүндү эластография менен бирге колдонгон 22 изилдөөдө сезгичтик %91,8ге, AUC %89,5ке жогорулаган, бирок өзгөчөлүк %86,5ке төмөндөгөн. Ошондуктан булак изилдөө bimodal ыкманы колдогонуна карабай, чакан топ жыйынтыктары бардык диагностикалык көрсөткүчтөр бир багытта жакшырганын көрсөтпөйт: сезгичтик жана AUC жогору, өзгөчөлүк төмөн.

Классикалык машиналык үйрөнүү жана терең үйрөнүү

Нейрон тармактары жана терең үйрөнүү тобундагы 16 изилдөөдө сезгичтик %90,3, өзгөчөлүк %86,9, DOR 61,7 жана AUC %88,7 болгон. Классикалык машиналык үйрөнүү жана гибриддик моделдерди камтыган 23 изилдөөдө болсо сезгичтик %90,4, өзгөчөлүк %89,0, DOR 76,1 жана AUC %89,7 болгон. Бул мета-анализде татаалыраак терең үйрөнүү моделдери автоматтык түрдө жогорку бириктирилген диагностикалык көрсөткүч берген эмес.

Макаланын талкуу текстинде классикалык машиналык үйрөнүү тобунун өзгөчөлүгү бир жерде %86,9 деп жазылган. Бирок негизги жыйынтык Таблица 2 бул топтун өзгөчөлүгүн %89,0, ал эми нейрон тармак/терең үйрөнүү тобунун өзгөчөлүгүн %86,9 деп берет. Ошондуктан жогорудагы таблицада булак изилдөөнүн негизги жыйынтык таблицасындагы маанилер сакталды.

“Эң жакшы модель” тандоосунун таасири текшерилгенби?

Негизги анализ ар бир изилдөөдөгү эң жакшы модель менен жүргүзүлгөндүктөн, изилдөөчүлөр бардык ылайыктуу моделдик маалымат топтомдорун колдонуп сезгичтик анализин да жүргүзүшкөн. Бул анализде сезгичтик %88,1 (%95 GA %85,4–90,4), өзгөчөлүк %88,2 (%95 GA %85,5–90,5) деп табылып, авторлор жыйынтыктар эң жакшы модель когортунан статистикалык жактан маанилүү айырмаланбаганын билдиришкен. Ошентсе да негизги анализде эң жогорку көрсөткүч берген моделди тандоодон келип чыгышы мүмкүн болгон оптимисттик ыктымалдык изилдөөнүн чектөөлөрүнүн арасында сакталууга тийиш.

Реалдуу клиникалык колдонуудагы негизги тоскоолдуктар

Булак изилдөө жасалма интеллект колдогон эластографияны клиникага өткөрүүдөгү негизги көйгөйлөр катары ар түрдүү ультраүндүк өндүрүүчүлөр жана аппараттар, зонд жыштыктары, менчик сигнал иштетүү алгоритмдери, сүрөттөө тереңдиги, strain elastographyда колдонулган компрессия, зонд багыты, аймак тандоо, бейтап популяциялары жана гистопатологиялык үлгү алуу айырмаларын санайт.

Мындан тышкары эмчек тканы гомогендүү, изотроптук жана сызыктуу ийкемдүү түзүлүш эмес экени; гетерогендүүлүк, анизотропия жана вискоэластикалык жүрүм-турум эластография өлчөөлөрүнө таасир этери белгиленет. Авторлор келечекте физикага негизделген моделдөө, акыркы элементтер ыкмасы менен жасалма интеллектти айкалыштыруу, деталдуу ткандын механикасын моделдөө жана көп борборлуу тышкы валидация изилдениши керек болгон багыттар деп эсептешет.

Ошондуктан мета-анализдин негизги билдирүүсүн “жасалма интеллект эмчек рагын %90 тактык менен диагноз коёт” деп жөнөкөйлөтүүгө болбойт. Изилдөө ар кандай алгоритмдерден жана клиникалык шарттардан алынган адабияттарды бириктирет жана жыйынтык бөлүмүндө AI колдогон эластографияны өз алдынча так диагноз куралы катары эмес, потенциалдуу жардамчы диагностикалык курал катары жайгаштырат.

Булак жана метод боюнча эскертүү

Каржылоо жана кызыкчылыктардын кагылышы

Авторлор изилдөө мамлекеттик, коммерциялык же коммерциялык эмес каржылоочу уюмдардан атайын тышкы грант албаганын билдиришкен. Бирок Mohammed Imad Malki үчүн Qatar University ички гранты QUCG-CMED-25/26-750 көрсөтүлүп, макала иштетүү акысы QU Health, Qatar University тарабынан төлөнгөнү айтылган.

Ibrahim Elmakaty, Ruba Abdo, Amr Ouda жана Mohamed Elmarasi Hamad Medical Corporationда иштегени көрсөтүлгөн. Авторлор изилдөө коммерциялык же каржылык кызыкчылыктардын кагылышын жаратышы мүмкүн болгон мамилелерсиз жүргүзүлгөнүн билдиришкен.

Маалыматтардын жеткиликтүүлүгү

Негизги анализде колдонулган эң жакшы жасалма интеллект моделдеринин баалоо көрсөткүчтөрү макаланын Таблица 1инде берилген. Изилдөө учурунда түзүлгөн же талданган кошумча маалымат топтомдору негиздүү суроо-талап боюнча жооптуу автордон алына алары билдирилген.

Авторлордун салымы

Ibrahim Elmakaty жана Ruba Abdo маалыматтарды даярдоо, формалдык анализ, изилдөө, методология, биринчи долбоор жана карап чыгуу/редакциялоого салым кошкон. Amr Ouda жана Mohamed Elmarasi маалыматтарды даярдоо жана жазууга; Mohamed Elahtem жана Yaman Khamis маалыматтарды даярдоо жана карап чыгууга салым кошкон. Mohammed Imad Malki концептуалдаштыруу, изилдөө, методология, көзөмөл, биринчи долбоор жана карап чыгуу/редакциялоо иштерин аткарып, макаланы жарыялоого жөнөтүү боюнча акыркы чечимге жооптуу болгон.

Методологиялык чектөөлөрдүн кыскача жыйынтыгы

• Изилдөөлөр ортосунда жогорку гетерогендүүлүк бар: I²=%78,0.
• Egger тести жарыялоо ыктымалдыгы/чакан изилдөө таасири боюнча маанилүү: p=0,001.
• Киргизилген изилдөөлөрдүн көбү ретроспективдүү.
• Тышкы валидация абдан чектелүү; изилдөө мүнөздөмөлөрүнө ылайык болгону эки изилдөө тышкы валидация колдонгон.
• Көп модель окутуу баскычында же ошол эле булак популяциясынын маалыматтары менен бааланган.
• Негизги анализде ар бир изилдөөнүн эң жакшы модели тандалгандыктан оптимисттик тандоо ыктымалдыгы бар.
• Изилдөөлөр негизинен Азия популяцияларынан алынган жана дүйнөлүк жалпылоо чектелүү.
• Ультраүндүк аппараттар, сүрөт алуу протоколдору, эластография ыкмалары жана алдын ала иштетүү ыкмалары стандартташкан эмес.
• Операторго көз каранды компрессия жана зонд багыты сыяктуу факторлор көзөмөлдөнгөн эмес.
• Тажрыйбалуу радиологдор менен түз жана системалуу салыштыруу жетишсиз.
• Чакан топ өлчөмдөрү тең эмес; өзгөчө маалымат көбөйтүү тобу болгону төрт изилдөөдөн турат.
• Мета-анализ клиникалык скрининг жолдорунда бейтап жыйынтыктарын, өлүм көрсөткүчүн же реалдуу биопсия азайышын түз текшерген эмес.

Жыйынтыгында, изилдөө жасалма интеллект колдогон ультраүндүк эластография эмчек жабыркоолорун классификациялоодо жогорку потенциалга ээ экенин көрсөтөт; бирок азыркы далил деңгээли бул ыкманы өз алдынча клиникалык диагностика системасы катары кабыл алууга жетиштүү эмес. Авторлордун акыркы сунушу стандартташтырылган протоколдорду колдонгон чоң, проспективдүү жана көп борборлуу изилдөөлөрдү жүргүзүү менен бирге чыныгы тышкы валидацияны көбөйтүү.