人工智能模型在精神分裂症结构性MRI中的比较诊断性能:系统性审查和元分析
Martin Kotochinsky1, Pandora Eloa Oliveira Fonseca2, Veronica Ramirez Lopera3
1Department of Medicine, National University of Cuyo, Argentina.
Asian journal of psychiatry
|November 7, 2025
概括
人工智能 (AI) 结合结构磁共振成像 (sMRI) 显示出用于诊断精神分裂症的前景. 深度学习模型和全脑数据产生了更高的特异性和AUC,但需要进一步验证.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 精神病诊断 精神病诊断 精神病诊断
背景情况:
- 及时诊断精神分裂症对于有效的治疗启动和坚持至关重要.
- 结构磁共振成像 (sMRI) 与人工智能 (AI) 结合,提供了一种提高诊断准确性的潜在方法.
- 人工智能辅助的sMRI用于精神分裂症诊断的临床实用性和性能仍在调查中.
研究的目的:
- 系统地评估AI模型的诊断性能,利用sMRI数据在成年人中检测精神分裂症.
- 为了比较不同AI方法 (例如,深度学习与传统机器学习) 和神经解剖学输入 (例如,灰质与全脑数据) 的有效性.
主要方法:
- 在PubMed,Embase和Cochrane数据库中进行了全面的文献搜索.
- 包括使用人工智能模型 (传统机器学习和深度学习) 与sMRI用于成人精神分裂症诊断的研究.
- 提取和分析了关键性能指标,包括灵敏度,特异性和曲线下的面积 (AUC).
主要成果:
- 分析了16项涉及3601名参与者的研究.
- 总体聚合灵敏度为0.76和特异性为0.78.
- 与支持矢量机 (SVM) 模型相比,深度学习模型表现出更高的特异性 (0.83) 和AUC (0.892).
- 全脑结构数据输入在特异性 (0.86) 和AUC (0.89) 中优于灰色物质特征.
结论:
- 利用sMRI的AI模型显示出有希望的,尽管是初步的,对精神分裂症的诊断能力.
- 深度学习架构和全脑数据通常提供优越的性能指标 (特异性和AUC) 超过SVM和灰质特征.
- 在临床广泛采用之前,前性,多地点的外部验证研究是必不可少的.
