对机器学习和深度学习技术在阿尔茨海默病的有效诊断中的系统审查

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 阿尔茨海默病 (AD) 是一种进展性神经退行性疾病,没有治愈方法.
• 准确的早期诊断对于管理轻度认知障碍 (MCI) 和预测转化为AD至关重要.
• 当前的诊断方法受益于先进的计算方法.

研究的目的:

• 系统地审查机器学习 (ML) 和深度学习 (DL) 应用程序用于早期阿尔茨海默病的分类.
• 详细介绍使用正子发射断层扫描 (PET) 和磁共振成像 (MRI) 在AD识别中的应用.
• 用各种AD诊断分类器评估PET和MRI模式的性能.

主要方法:

• 对使用ML和DL进行AD分类的研究进行系统文献综述.
• 分析使用PET和MRI成像数据的出版物.
• 在不同的成像模式中对分类器性能进行比较评估.

主要成果:

• ML和DL模型显示了对正常认知 (NC) 与阿尔茨海默病 (AD) 的分类有很大的潜力.
• PET和MRI都是用于AD检测的有价值的模式,根据所使用的分类器有不同的强度.
• 该评论综合了关于不同计算方法在神经系统疾病医疗图像分析中的有效性的研究结果.

结论:

• 机器学习和深度学习为早期和准确诊断阿尔茨海默病提供了有希望的途径.
• 在PET和MRI之间做出选择,以及选择的分类器,都会影响诊断性能.
• 需要进一步的研究来优化这些计算方法,以便在AD管理中临床应用.