前性痴呆:对差异诊断中人工智能方法的系统审查

科学领域:

• 神经科学是一个神经科学.
• 医疗信息学 医疗信息学
• 人工智能的人工智能

背景情况:

• 前性痴呆症 (FTD) 是一种神经退行性疾病,影响人格,行为和语言.
• 精确的FTD,其亚型和阿尔茨海默氏症 (AD) 等其他痴呆症之间的差异诊断对于患者护理至关重要.
• 机器学习 (ML) 通过识别临床和神经成像数据中的微妙模式,提供了提高诊断准确性的潜力.

研究的目的:

• 系统地审查ML模型的优点和局限性,以区分FTD与其他神经系统疾病.
• 根据最近的文献,评估FTD诊断中ML应用的现状.

主要方法:

• 在PROSPERO (CRD42024520902) 中注册的PRISMA指南的系统审查.
• 从2013年到2024年进行的文献搜索.
• 分析了25项符合条件的研究,涉及65,444名患者 (2,984名FTD,3,437名AD,103名MCI,20名PDD/DLBPD).

主要成果:

• 支持矢量机器 (SVM) 和深度学习方法,特别是卷积神经网络 (CNN),经常被使用,并且在区分FTD时显示出高精度.
• 多模式数据 (神经成像,EEG,神经心理评估) 的整合提高了诊断性能.
• 机器学习模型在识别FTD差异化的复杂模式方面显示出重大潜力.

结论:

• ML技术显示出强大的潜力,可以提高FTD诊断.
• 挑战包括小样本大小,阶级不平衡,缺乏标准化,限制概括性.
• 未来的研究应该专注于标准化的协议,更大的数据集和可解释的AI用于临床集成.