通过人工智能驱动的神经成像来促进前叶退行症的诊断 - - 一项系统性审查和元分析
Qiong Wu1, Dimitra Kiakou2, Karsten Mueller2
1Max Planck Institute for Human Cognitive and Brain Sciences, Leipzig, Germany; Clinic for Neurology, University of Leipzig Medical Center, Leipzig, Germany.
NeuroImage. Clinical
|February 21, 2025
概括
人工智能有效地使用神经成像来诊断前叶退化 (FTLD). 机器学习算法在区分FTLD与健康个体和其他神经退行性疾病方面表现出高准确性,有助于临床诊断.
科学领域:
- 神经成像分析分析神经成像分析
- 医学中的人工智能
- 机器学习用于诊断.
背景情况:
- 前叶退化 (FTLD) 由于其与其他神经退行性疾病的症状重叠而带来诊断挑战.
- 人工智能 (AI) 的进步,特别是应用于神经成像的机器学习 (ML),为准确的FTLD诊断提供了潜在的解决方案.
- 本研究评估了使用神经成像特征用于FTLD诊断和预测的AI算法的有效性.
研究的目的:
- 评估基于FTLD神经成像特征的AI算法的诊断和预测性能.
- 系统地审查和元分析使用ML/深度学习与神经成像放射性特征用于FTLD计算机辅助诊断的研究.
主要方法:
- 按照PRISMA指南进行系统审查和元分析.
- 搜索了主要的数据库 (PubMed,Scopus,Web of Science) 相关的英语同行评审研究.
- 专注于利用人工智能的研究,特别是ML/深度学习,与神经成像放射性特征用于FTLD诊断.
主要成果:
- 分析包括了75篇文章,涉及20601名受试者 (8,051名FTLD患者).
- 对于FTLD与健康对照,AI实现了高聚合灵敏度 (86%) 和特异性 (89%).
- 对于FTLD与阿尔茨海默病 (84%的敏感度,81%的特异性) 和FTLD与帕金森病 (84%的敏感度,75%的特异性) 进行了准确的分类.
结论:
- 基于神经成像的AI有效地区分了FTLD与健康对照和其他神经退行性疾病在二进制分类中.
- 使用多式联络神经成像数据进行深度学习,对区分FTLD亚型和多元分类显示出有希望.
- 这些发现支持将ML工具与成像集成到临床实践中,用于FTLD诊断中的精密医学.
