使用机器学习和深度学习检测和诊断大脑障碍 - - 一个图书识别分析.
Jyotismita Chaki1, Gopikrishna Deshpande2,3,4,5,6,7,8,9,10
1School of Computer Science and Engineering, Vellore Institute of Technology, Vellore, India.
Current neuropharmacology
|June 7, 2024
概括
这项研究分析了机器学习和深度学习用于大脑疾病检测. 研究正在迅速增长,重点关注阿尔茨海默病,自闭症和帕金森病,突出了关键趋势和未来的研究方向.
科学领域:
- 神经学 神经学
- 计算机科学 计算机科学
- 医疗信息学 医疗信息学
背景情况:
- 脑部疾病是全球死亡率的一个重大挑战,强调了早期检测和诊断的必要性.
- 机器学习 (ML) 和深度学习 (DL) 正在成为识别和诊断神经疾病的强大工具.
- 为了绘制ML / DL在脑疾病研究中的应用的不断变化的景观,必须进行全面的文献计量分析.
研究的目的:
- 进行对机器学习和深度学习的研究进行定量文献分析,以检测和诊断大脑疾病.
- 在这个快速发展的领域中识别关键趋势,有影响力的作品和合作模式.
- 提供可以指导未来研究方向的见解,并加速人工智能用于神经健康应用的进展.
主要方法:
- 对2015年至2023年5月期间发表的1550篇文章进行了参考文献分析,来源于Scopus数据库.
- 数据分析利用Biblioshiny和VOSviewer平台检查引用模式,协作指标和关键字频率.
- 该研究的重点是使用ML和DL技术自动检测和诊断大脑疾病.
主要成果:
- 研究成果显示了持续的上升趋势,在2022年达到顶峰.
- 多类分类和卷积神经网络模型是主要的方法.
- 阿尔茨海默病,自闭症和帕金森病是最常被研究的疾病.
- 美国,中国和印度在作者和研究所合作方面是领先的国家.
结论:
- 这种文献计量分析提供了对ML和DL中用于脑疾病检测的当前趋势的宝贵见解.
- 调查结果突出了重点领域,并确定了未来研究和开发的机会.
- 该研究为研究人员提供了一份路线图,以推进AI在诊断和管理大脑疾病中的应用.
