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
2018-01-01
SCID: 54.1/rykgqrn2
Discuss with AI
болезнь Альцгеймерадиагностика деменциимашинное обучениеумеренные когнитивные нарушениянейровизуализация
Figures from the paper
Abstract (AI)
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.
Key Findings
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.
Research Object
Нейровизуализационные данные здорового старения, лёгких когнитивных нарушений и деменции, особенно болезни Альцгеймера
Research Subject
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
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest