基于Rs-fMRI的机器学习模型的应用价值,用于区分轻度认知障碍与阿尔茨海默病:系统性审查和元分析
Chentong Wang1, Li Zhou2,3, Feng Zhou1
1Rheumatology Immunology Department, Ningbo Medical Center Lihuili Hospital, Ningbo, Zhejiang, 315000, China.
概括
使用静止状态功能性MRI的机器学习模型在诊断阿尔茨海默病 (AD) 和轻度认知障碍 (MCI) 中显示出高准确度. 这些模型对二进制和多类分类任务都有效,有助于差异诊断.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 无线电学 (Radiomics) 是一种放射学.
背景情况:
- 使用静止状态功能性MRI (Rs-fMRI) 的机器学习 (ML) 模型正在开发用于轻度认知障碍 (MCI) 和阿尔茨海默病 (AD) 的差异诊断.
- 这些基于RS-fMRI的ML模型的诊断准确性需要进一步调查.
- 这项研究系统地审查和元分析了基于RS-fMRI的放射学在区分MCI和AD的诊断准确性.
研究的目的:
- 系统地审查和元分析基于RS-fMRI的放射学在区分MCI和AD的诊断准确性.
- 评估ML模型在AD和MCI诊断的二进制和多类分类任务中的性能.
主要方法:
- 在PubMed,Embase,Cochrane和Web of Science进行了全面的文献搜索,截至2024年2月8日.
- 进行了元分析,使用了双变的混合效应模型.
- 根据ML任务类型进行了子组分析:二进制和多类分类.
主要成果:
- 分析包括了23项研究,共有5,554名参与者.
- 对于二进制分类任务,ML模型实现了0.99的诊断准确度,0.94的灵敏度和0.98的AD诊断特异性.
- 在多类分类任务中,ML模型表现出高精度:正常认知 (NC) 的0.98,早期MCI (EMCI) 的0.96,晚期MCI (LMCI) 的0.97和AD的0.95.
结论:
- 基于Rs-fMRI的ML模型在诊断神经疾病时可适应和有效执行多类分类任务.
- 这些发现支持RS-fMRI放射学在帮助MCI和AD的差异诊断方面的潜力.
- 建议以更大的样本大小进行未来的多中心研究,以开发强大的智能诊断工具.
