机器学习在偏头痛分类中的应用:呼吁研究设计标准化和全球合作
Igor Petrušić1, Roberta Messina2,3, Lanfranco Pellesi4
1Laboratory for Advanced Analysis of Neuroimages, Faculty of Physical Chemistry, University of Belgrade, 12-16 Studentski Trg Street, Belgrade, 11000, Serbia. ip7med@yahoo.com.
The journal of headache and pain
|October 2, 2025
概括
机器学习 (ML) 模型在使用神经成像数据对偏头痛类型进行分类方面表现有前途,达到高准确度. 然而,方法上的不一致性限制了它们的临床应用,需要提高精确偏头痛护理的研究严格性.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 偏头痛是一种复杂的神经系统疾病,表现各异,使得诊断和亚型分化具有挑战性.
- 机器学习 (ML) 为分类偏头痛患者和理解潜在的神经生物学提供了潜力.
- 准确的分类对于开发有针对性的治疗和个性化的护理至关重要.
研究的目的:
- 系统地审查当前的偏头痛类型和亚型的ML分类模型.
- 评估已发表的偏头痛ML研究的质量,可重现性和临床实用性.
- 确定局限性,并提出未来的研究方向在偏头痛分类ML.
主要方法:
- 系统的文献搜索使用ML来分类偏头痛类型/亚型的研究.
- 评估研究方法,包括数据源,ML算法和绩效报告.
- 根据预先定义的标准评估质量,可重复性和临床效用.
主要成果:
- 机器学习模型,特别是支持向量机和线性差异分析,使用神经成像功能实现了高分类准确度 (7598%) .
- 发现了显著的方法异质性,包括不一致的绩效报告,不充分的表型,小/不平衡的数据集和有限的外部验证.
- 这些局限性阻碍了当前在偏头痛研究中的ML模型的概括性和可重复性.
结论:
- 目前的ML模型显示了偏头痛分类的潜力,但需要对临床翻译进行方法改进.
- 未来的研究应该专注于标准化协议,强大的表型,透明的报告和多中心验证.
- 整合现实数据和提高方法严谨性对于在偏头痛护理中推进精准医学至关重要.
