对人工智能和机器学习在多发性硬化症的诊断,预测和风险因素分析中的使用进行了分析性审查

科学领域:

• 神经学 神经学
• 医疗信息学 医疗信息学
• 生物统计学 生物统计学

背景情况:

• 多发性硬化症 (MS) 是一种影响神经细胞膜的衰弱性神经系统疾病,目前的治疗方法集中在症状管理上.
• 手动诊断MS是劳动密集型,容易出错,需要先进的诊断工具.
• 虽然MS病变检测正在探索,但临床分析和计算风险因素预测仍然是未经探索的领域.

研究的目的:

• 系统地审查和分析人工智能 (AI),机器学习 (ML) 和多发性硬化症 (MS) 诊断中的统计方法的趋势,优势和弱点.
• 确定有效的AI/ML方法来识别多发性硬化风险因素,特征选择和诊断准确度的提高.
• 检查已确定的风险因素和临床数据的作用,如扩展残疾状态量表 (EDSS) 和磁共振成像 (MRI),改善MS诊断和进展预测.

主要方法:

• 对103篇研究论文进行了全面的文献审查和分析,重点是针对MS应用的AI,ML和统计技术.
• 评估各种AI/ML算法,包括基于规则的模糊逻辑 (RBFL),自适应模糊推理系统 (ANFIS),人工神经网络方法 (ANN),支持矢量机 (SVM) 和贝叶斯网络 (BNs).
• 评估MS研究不同方面的性能指标 (灵敏度,特异性,准确性):诊断,预测,细分和分类.

主要成果:

• AI/ML方法在识别多发性硬化风险因素 (如肥胖,吸烟,教育) 和提高诊断准确度方面具有显著的潜力,报告的诊断准确度在61%至97%之间.
• 具体的AI/ML技术,如RBFL,ANFIS,ANN,SVM和BN显示出有前途的,以及EDSS和MRI在提高诊断精度方面的实用性.
• 性能指标有所不同,诊断灵敏度 (60-98%),特异性 (60-98%) 和准确性 (61-97%);预测灵敏度 (76-98%),特异性 (65-98%) 和准确性 (62-99%);细分准确度高达96.7%;分类灵敏度 (78-97.34%),特异性 (65-99.32%) 和准确性 (71-97.94%).

结论:

• 人工智能和机器学习技术为MS诊断和进展映射的传统方法提供了强大,准确和有效的替代方案.
• 结合不同的AI/ML技术可以通过利用各自的优势来提高整体性能,从而提高效率和准确性.
• 应对临床数据获取方面的挑战和促进跨学科合作对于推进MS研究和临床实践中的AI/ML应用至关重要.