机器学习与多模式神经成像数据来分类阿尔茨海默病的阶段:一个系统的审查和元分析

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) 构成了重大的健康挑战,精确的分期是临床的主要障碍.
• 多模式神经成像为AD相关的大脑变化提供了宝贵的见解.
• 机器学习 (ML) 算法可以识别神经成像数据中的复杂模式.

研究的目的:

• 通过使用多式神经成像数据,评估ML方法对准确的AD阶段分类的贡献.
• 系统地审查和分析现有的关于ML的研究,以确定AD的阶段.
• 评估ML模型在区分AD阶段的诊断性能.

主要方法:

• 在主要数据库 (IEEE Xplore,Science Direct,ACM DigitalLibrary,PubMed) 进行系统的文献搜索,使用谷歌学者进行雪球搜索.
• 对47项选定的研究进行定量分析,重点关注分类算法和数据融合技术.
• 使用双变量模型和层次总结的接收器操作特征 (ROC) 曲线进行元分析,以评估聚合的灵敏度和特异性.

主要成果:

• 在AD阶段的分类中实现了高的聚合灵敏度和特异性:AD与NC (94.60%的灵敏度,93.49%的特异性),MCI与NC (83.77%的灵敏度,79.16%的特异性) 和pMCI与sMCI (80.41%的灵敏度,81.44%的特异性).
• 威尔科克森的签名级别测试表明,在所有分类任务中,统计学上具有显著的准确性.
• 该研究确定了AD诊断的有希望的ML和多模式神经成像方法.

结论:

• 结合多式神经成像的ML显示出对精确的阿尔茨海默氏症病期的显著潜力.
• 这些发现支持这些综合方法的临床实用性,以改善AD诊断和管理.
• 建议进行进一步的研究,以提高这些先进的诊断工具的有效性和临床适用性.