机器学习模型用于使用神经成像数据诊断阿尔茨海默病:调查,可复制性和可概括性评估

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:

• 临床阿尔茨海默病 (AD) 诊断往往发生迟,限制了治疗的有效性.
• 现有的方法无法区分稳定的轻度认知障碍 (sMCI) 和渐进的轻度认知障碍 (pMCI).
• 早期的AD诊断在不同的人群中提供了显著的好处,但先进技术的临床转化仍然有限.

研究的目的:

• 通过神经成像来调查用于AD诊断的预处理,数据管理和机器学习 (ML) 技术.
• 评估用于AD检测的开源ML模型的可复制性和通用性.
• 确定阻碍ML在AD诊断和生物标志物发现中的临床应用的挑战.

主要方法:

• 对用于AD诊断的结构性MRI (sMRI),fMRI和PET数据的ML和深度学习 (DL) 方法的系统审查.
• 使用不同数据队列对开源ML模型性能进行实证评估.
• 在不同数据集中对模型通用性的比较分析.

主要成果:

• 现有的ML模型在应用于不同神经成像数据队列时显示出有限的概括性.
• 在评估的开源模型中,可重现性和交叉队列性能在评估的开源模型中存在显著差异.
• 预处理和数据管理策略影响模型性能和通用性.

结论:

• 目前用于AD诊断的ML模型需要进一步开发以提高概括性和临床实用性.
• 解决数据异质性和模型验证方面的挑战对于可靠的AD生物标志物发现至关重要.
• 未来的研究应该专注于强大的,可通用的ML解决方案,用于早期和准确的AD检测.