机器学习在痴呆症诊断中的应用:一个系统的文献审查

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 痴呆症影响全球超过5500万,每年有1000万新病例,需要早期诊断以进行患者规划.
• 机器学习 (ML) 为早期发现和预测痴呆提供了先进的解决方案.
• 这项研究回顾了ML在痴呆症预测中的应用的科学前景.

研究的目的:

• 在科学文献中评估ML在痴呆症预测中的当前相关性.
• 确定基于ML的痴呆症预测中的开放研究问题和未来方向.
• 探索常用于痴呆症识别和预测的方法和特征.

主要方法:

• 一个20年的文献综述,使用Scopus数据库文章的文献计量和内容分析.
• 论文的识别和排除,其中202篇被选择,25篇被详细分析.
• 专注于使用机器学习用于痴呆症诊断和预测的研究.

主要成果:

• 在过去五年中,对痴呆症ML的研究兴趣显著增加,这表明一个相关和活跃的领域.
• 磁共振成像 (MRI) 和人口统计数据 (年龄,性别,MMSE) 是主要使用的特征.
• 支持矢量机器 (SVM),集体方法和卷积神经网络 (CNN) 是首选的ML算法,通常是组合使用的.
• 阿尔茨海默病的分类比轻度认知障碍 (MCI) 的预测更为常见.

结论:

• 机器学习是痴呆症预测的相关和不断发展的领域,目前正在进行研究和开放的问题.
• 未来的研究应该探索新的ML方法和特征集,以提高预测准确度.
• 结合ML技术和利用多种数据源,可以显著改善痴呆症诊断.