Машинное обучение нейровизуализации для вспомогательной диагностики когнитивных нарушений и деменции: систематический обзор

Machine learning of neuroimaging for assisted diagnosis of cognitive impairment and dementia: A systematic review
Joanna Marguerite Wardlaw, Emanuele Trucco, Tom MacGillivray, Dominic E. Job, María del C. Valdés Hernández, Samuel Danso, Susana Muñoz Maniega, Cyril R Pernet, Víctor González‐Castro, Francesca M. Chappell, Enrico Pellegrini, Lucia Ballerini, Devasuda Anblagan, Grant Mair
2018-01-01

болезнь Альцгеймерадиагностика деменциимашинное обучениеумеренные когнитивные нарушениянейровизуализация
Введение: Современные методы машинного обучения могут помочь выявлять риск деменции по данным нейровизуализации, однако их точность на сегодняшний день остается неясной. Методы: Мы систематически изучили публикации за период с 2006 года до конца 2016 года, посвященные исследованиям машинного обучения для дифференциации здорового старения и различных типов деменции, оценили качество исследований и сравнили точность при различных границах между стадиями заболевания. Результаты: В 111 релевантных исследованиях преимущественно оценивали различия между болезнью Альцгеймера и здоровыми контрольными участниками, используя данные инициативы Alzheimer’s Disease Neuroimaging Initiative, метод опорных векторов и только T1-взвешенные последовательности. Наиболее высокой была точность при дифференциации болезни Альцгеймера и здоровых лиц; низкой — при разграничении здоровых лиц, легких когнитивных нарушений и болезни Альцгеймера, а также при различении пациентов с легкими когнитивными нарушениями, у которых развилась болезнь Альцгеймера, и пациентов без такой конверсии. Точность повышалась при объединении разных типов данных, но не зависела от источника данных, размера выборки или метода машинного обучения. Обсуждение: Машинное обучение пока не позволяет дифференцировать клинически значимые категории заболеваний. Развитию этой области будут способствовать более разнообразные наборы данных, сочетание различных типов данных и тесная интеграция машинного обучения в клиническую практику.
1
Систематический обзор выявил 111 исследований машинного обучения нейровизуализации, опубликованных с 2006 года до конца 2016 года, по различению здорового старения и деменции.
2
Наибольшая точность достигалась при различении болезни Альцгеймера и здоровых лиц, но была низкой при разделении здоровых лиц, пациентов с умеренными когнитивными нарушениями и болезнью Альцгеймера.
3
Точность машинного обучения повышалась при объединении нескольких типов данных, но не зависела от источника данных, размера выборки или выбранного метода машинного обучения.
4
Большинство исследований посвящено различению болезни Альцгеймера и здоровых лиц и преимущественно использовало данные Alzheimer’s Disease Neuroimaging Initiative, метод опорных векторов и T1-взвешенные изображения.
5
Рассмотренные методы пока не обеспечивают надежного различения клинически значимых категорий заболеваний; необходимы более разнообразные наборы данных, мультимодальные данные и более тесная интеграция с клинической практикой.

Нейровизуализационные данные здорового старения, лёгких когнитивных нарушений и деменции, особенно болезни Альцгеймера

Диагностическая точность и клиническая дискриминативная способность моделей машинного обучения при различении категорий когнитивных нарушений и деменции

Publication Details
Publication Date
2018-01-01
Journal
Publisher
ISSN
Cited by
310
Access Type
Author Information
Authors
Joanna Marguerite Wardlaw
Emanuele Trucco
Tom MacGillivray
Dominic E. Job
María del C. Valdés Hernández
Samuel Danso
Susana Muñoz Maniega
Cyril R Pernet
Víctor González‐Castro
Francesca M. Chappell
Enrico Pellegrini
Lucia Ballerini
Devasuda Anblagan
Grant Mair
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%