高价Meta是什么？什么情况可以做高价Meta？

说实话，做科研的人都知道，现在机器学习、深度学习这些词听起来挺高大上的，但真要用在医学上，问题可不少。你可能会发现：明明看了一堆文献，结果越看越迷糊——为什么有的研究说这个模型能预测90%的准确率，有的却连50%都不到？数据是哪儿来的？方法到底靠不靠谱？

你不是一个人在纠结。很多研究者都经历过这种状态：翻完文献后，脑子里一团乱麻。传统综述只能告诉你“有人做了什么”，却没法帮你判断“这些方法到底有没有用”。这时候你会想，要是能有个方法，把这些研究的数据、模型、结果都拉出来比一比，该有多好？

高阶Meta分析，就是为了解决这个问题。它和普通的Meta分析不一样，不是简单地汇总结果，而是专门盯着那些用了机器学习、深度学习或放射组学的研究，毕竟，在技术更新这么快的今天，我们总得有人把现有的研究摊开来看，分辨哪些是真的有用。

如果你也在纠结这些技术到底靠不靠得住，或者想看看别人是怎么做的，接下来，我们将逐步探讨高阶Meta分析的定义、适用场景，以及它在实际操作中的关键要点。

高阶Meta是什么？

高阶Meta分析是由我们沿长数据科学研发中心提出的一个概念，其在开展Meta分析过程中需要涉及到机器学习的概念、完整的建模过程、图像处理相关知识等，所以定义为高阶Meta分析。因此，高阶Meta分析的概念就是面向传统机器学习、深度学习、放射组学开展的Meta分析。

临床意义

临床研究中，大量的研究者将目光聚焦在传统机器学习、深度学习、放射组学上，在这种背景下，高阶Meta分析具有重要意义。高阶Meta分析旨在评估现阶段机器学习的应用现状，总结用于构建机器学习模型的变量（传统临床特征、图像特征（医学影像、病例图像、彩色照片等）、遗传信息、微生物组信息等），定量汇总机器学习的准确性。旨在为后续风险基于AI预测/诊断工具开发或更新提供新的循证证据。

什么情况可以做高阶Meta

在开展高阶Meta分析前，我们需要明确什么情况下可以开展，也就是其前提条件。主要包括以下事项：

明确研究对象和结局事件，尤其是结局事件需要明确的定义；
明确所包含的机器学习在原始研究中的用途，包括：结局事件的预测、阳性事件的诊断/分类、病变区域的分割、结局指标的定量估计、疾病亚型的定义等；
明确所需要纳入的原始研究类型；
能纳入足够的原始研究，通常，高阶Meta分析需要更多的原始研究。根据既往的经验，在基于传统的机器学习中，往往需要15篇以上的原始研究。而基于放射组学或深度学习的Meta分析可以在8篇以上；
纳入原始研究间不宜存在过大异质性，例如结局事件的定义。尤其是在纳入原始研究及其有限的情况下，无法进行亚组分析时，不宜开展；
明确评估模型性能的结局指标，且原始研究中，结局指标存在高度统一。