推进罕见神经障碍诊断:通过系统审查和人工智能驱动的MRI元转移学习框架应对神经退行性疾病的挑战
Arshia Gupta1, Deepti Malhotra1
1Department of Computer Science and Information Technology, Central University of Jammu, Samba 181143, India.
Ageing research reviews
|July 13, 2025
概括
超转移学习 (MTAL) 解决了诊断罕见神经疾病的数据短缺问题. 这种方法可以提高早期检测和诊断准确性,例如使用人工智能的神经退行性疾病.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 神经系统疾病 (ND) 影响全球数百万人,包括神经发育 (NDD),神经生物学 (NBD) 和神经退行性 (NDe) 疾病.
- 有限的患者数据阻碍了人工智能模型的培训,特别是机器学习 (ML) 和深度学习 (DL),用于早期检测罕见的神经系统疾病.
- 这种数据稀缺在诊断和管理神经疾病方面构成了重大的公共卫生挑战.
研究的目的:
- 从2017年到2024年,系统地审查ML和Meta-Trans学习 (MTAL) 在诊断NDD,NBD和NDe疾病中的应用.
- 提供用于神经疾病诊断的ML和DL方法的统计和参数分析.
- 引入一种基于MRI的新型ND-MTAL框架,以改善罕见神经退行性疾病的早期检测.
主要方法:
- 2017年至2024年间发表的研究的系统文献综述.
- 对神经系统疾病现有的ML和DL诊断方法进行统计和参数分析.
- 开发和引入使用MRI数据进行罕见神经退行性疾病检测的Meta-Trans Learning (MTAL) 框架.
主要成果:
- 确定了ML和MTAL在诊断各种类型的神经疾病中的趋势和应用.
- 评估了ML和DL技术在神经疾病诊断中的性能和局限性.
- 证明了MTAL利用小数据集的潜力,以改善罕见病诊断中的模式提取和概括.
结论:
- 在人工智能驱动的神经障碍诊断中,MTAL提供了一个有前途的解决方案,以克服数据稀缺的挑战.
- 拟议的基于MRI的NDe-MTAL框架可以提高诊断准确性,并支持医疗保健专业人员早期检测罕见的神经退行性疾病.
- 推进像MTAL这样的AI技术对于改善神经病学的医疗保健实践和患者结果至关重要.
