運動障害の拡散テンソルイメージングにおける機械学習アルゴリズムのパフォーマンス：探索的メタアナリシス

科学分野:

• 神経画像
• 人工知能
• 医療診断

背景:

• 拡散テンソルイメージング（DTI）に適用された機械学習（ML）は、運動障害における脳の変化を検出する可能性を示しています。
• 既存の研究は、定量的比較と臨床的応用を妨げる著しい方法論的異質性を示しています。

研究 の 目的:

• 運動障害分類のためのDTIデータでトレーニングされたMLモデルのパフォーマンスの傾向、方法論的多様性、およびばらつきを特徴づけること。
• この探索的メタアナリシスは、極端な異質性のため、単一のプールされた診断効果を推論するのではなく、パフォーマンス分布と方法論的パターンを記述することを目的としていました。

主な方法:

• 運動障害におけるDTIを用いたMLを使用する研究のためのPubMed、Web of Science、およびScopusの体系的な文献検索。
• 精度、感度、特異度、およびAUCを抽出しました。記述的要約とサブグループ分析のためにランダム効果モデリングを採用しました。
• JBIツールを使用して研究の質を評価しました。欠落しているメトリクスには複数の代入を使用しました。

主要な成果:

• パーキンソン病、トゥレット症候群、本態性振戦に関する46の研究（2016年から2024年）が含まれていました。
• 報告された中央値AUCは高かった（約0.91）が、異質性は極端でした（I²=94.7%）。
• ディープラーニングおよびラジオミクスモデルは高い精度を示しましたが、小規模で単一施設でのコホートのため、外部妥当性は限定的でした。

結論:

• DTIを用いたMLモデルは、運動障害に対して高い内部パフォーマンスを示しますが、一般化可能性は限定的です。
• 現在のエビデンスは探索的であり、小規模なサンプルサイズ、方法論的な断片化、標準化されたパイプラインの欠如によって妨げられています。
• 将来の進歩には、再現可能で解釈可能なモデルのための、データの調和、多施設共同研究、および連合学習が必要です。