Please use this identifier to cite or link to this item:
https://hdl.handle.net/10216/170985| Author(s): | Patrícia Gomes Ferreira |
| Title: | Artificial intelligence and gynaecological ultrasound in endometriosis: a systematic review |
| Issue Date: | 2025-11-25 |
| Abstract: | Background Endometriosis is a prevalent gynecological disorder characterized by the presence of endometrial-like tissue outside the uterine cavity, leading to chronic pelvic pain, infertility, and diminished quality of life. Despite advancements in imaging modalities, the diagnosis of endometriosis remains challenging due to diagnostic delays, operator dependency in imaging interpretation, and heterogeneous disease presentation. Artificial Intelligence (AI) has emerged as a promising tool to enhance diagnostic accuracy in transvaginal ultrasound (TVUS). Objective This systematic review aimed to evaluate the application of AI models in the diagnosis of endometriosis through gynecological ultrasound and assess their diagnostic performance. Methods A comprehensive literature search was conducted in Medline, Scopus, Web of Science, MedRxiv, BioRxiv, and Google Scholar up to February 2025. Studies were included if they applied AI techniques-such as machine learning, deep learning, or hybrid models-to ultrasound imaging for endometriosis diagnosis in reproductive-age women. Data extraction followed PRISMA guidelines, and risk of bias was assessed using the QUADAS-2 tool. Results Forty-four studies were included, with a predominance of retrospective designs and recent publication dates (2023-2025). AI models applied ranged from logistic regression and support vector machines to convolutional neural networks and transformer-based architectures. Random forest and deep learning models demonstrated the highest diagnostic performance, with sensitivity and specificity often exceeding 90%. However, methodological heterogeneity, lack of external validation, and inconsistent reporting of performance metrics were frequent limitations. Conclusions AI approaches, particularly ensemble and deep learning models, show significant potential to improve diagnostic accuracy and standardization in endometriosis imaging. Nevertheless, further prospective studies with rigorous validation, interpretability frameworks, and integration into clinical workflows are needed before routine adoption can be justified, |
| Description: | Contexto A endometriose é uma doença ginecológica prevalente que pode resultar em dor pélvica crónica, infertilidade e redução da qualidade de vida. Apesar dos avanços nas técnicas de imagem, o diagnóstico continua a ser desafiante, culminado no seu atraso em anos. A dependência do operador na interpretação ecográfica e a apresentação clínica heterogénea estão entre as causas. A inteligência artificial (IA) tem emergido como uma ferramenta promissora para melhorar a precisão diagnóstica, especialmente na ecografia transvaginal. Objetivo Esta revisão sistemática teve como objetivo avaliar a aplicação de modelos de IA no diagnóstico de endometriose através da ecografia ginecológica, bem como analisar o seu desempenho diagnóstico. Metodologia Foi realizada uma pesquisa nas bases de dados Medline, Scopus, Web of Science, MedRxiv, BioRxiv e Google Scholar até fevereiro de 2025. Foram incluídos estudos que aplicaram modelos de IA - como machine learning, deep learning ou modelos híbridos - à ecografia para diagnóstico de endometriose em mulheres em idade reprodutiva. A extração de dados seguiu as diretrizes do PRISMA e o risco de viés foi avaliado com a ferramenta QUADAS-2. Resultados Foram incluídos 44 estudos, maioria retrospetivos e com data de publicação recente (2023-2025). Os modelos de IA variaram entre regressão logística, support vector machines a convolutional neural networks e transformer-based architectures. Os modelos de random forest e de deep learning apresentaram o melhor desempenho diagnóstico, com valores de sensibilidade e especificidade frequentemente superiores a 90%. Contudo, a heterogeneidade metodológica, a ausência de validação externa e a inconsistência na apresentação de métricas diagnósticas foram limitações recorrentes. Conclusões As abordagens baseadas em IA, especialmente os ensemble models e os modelos de deep learning, demonstram elevado potencial para melhorar a precisão e a padronização do diagnóstico por ecografia da endometriose. São necessários estudos prospetivos, com validação rigorosa, e integração prática no fluxo clínico antes que a sua adoção generalizada possa ser justificada. |
| Subject: | Medicina clínica Clinical medicine |
| Scientific areas: | Ciências médicas e da saúde::Medicina clínica Medical and Health sciences::Clinical medicine |
| TID identifier: | 204144930 |
| URI: | https://hdl.handle.net/10216/170985 |
| Document Type: | Dissertação |
| Rights: | restrictedAccess |
| Appears in Collections: | FMUP - Dissertação |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| 749838.pdf Restricted Access | Artificial intelligence and gynaecological ultrasound in endometriosis: a systematic review | 2.15 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.