导读：本综述通过整合现有研究，旨在揭示影像组学技术在颈动脉斑块诊断与风险预测中的潜力与局限性，为临床实践中的模型选择与优化提供参考依据。原文简要翻译如下：
方法：本研究进行了系统的文献检索，以识别截至2023年3月在PubMed、Web of Science和Cochrane Library中发表的相关文献。纳入的研究需开发和/或验证基于影像组学数据的机器学习模型，以识别和/或预测颈动脉斑块中不良脑血管和心血管事件。本研究提取了纳入文献的基本信息，并根据TRIPOD，PROBAST和影像组学质量评分（RQS）分别评估了报告质量、偏倚风险和影像组学方法学质量。
TRIPOD可以理解为临床预测模型的规范报告指南，涵盖了对数据来源，样本量、统计方法，局限性等方面的要求，遵从率越高，研究越规范
PROBAST是评价模型偏倚风险的工具，值越高，偏倚风险越大。
RQS 是基于一系列标准来评估影像组学研究的设计、执行和报告的质量。评分系统包含了影像数据的公开性、模型验证和生物相关性等。分数越高，质量越高
所有研究都存在较高的整体偏倚风险，其中分析环节是最常见的偏倚来源。
RQS的平均值为9.89±5.70，占可能最高值36分的27.4%。
结论：影像组学模型在评估颈动脉斑块方面可能具有一定的价值，但当前颈动脉斑块影像组学研究的整体科学有效性和质量仍然不足，在这些模型应用于临床实践之前，仍有许多障碍需要克服。
