在MRI脑成像中的机器学习:方法,挑战和未来方向的审查

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经学 神经学

背景情况:

• 手动分析大脑磁共振成像 (MRI) 是耗时且变化的.
• 机器学习 (ML) 为MRI分析提供了自动化解决方案,特别是用于细分和分类.
• 脑瘤分类和细分是神经瘤学的关键诊断任务.

研究的目的:

• 为提供脑MRI分析中ML应用的更新叙事审查.
• 专注于使用MRI数据进行ML驱动的瘤分类和细分.
• 分析2020-2025年大脑瘤成像中的ML模型的趋势和性能.

主要方法:

• 在PubMed,Scopus和门德利目录中进行了全面的文献搜索.
• 纳入标准侧重于原始英语研究文章 (2020年1月至2025年4月),使用ML进行MRI脑瘤分类/细分,并进行验证.
• 质量分析了108项研究,不包括动物模型,非成像数据和缺乏验证的研究.

主要成果:

• 卷积神经网络 (CNN) 主导大脑MRI分析,实现分类准确率为95-99%和Dice分数为0.83-0.94的细分.
• 混合型号 (CNN-SVM,CNN-LSTM) 和基于变压器的模型 (例如,Swin变压器) 显示出卓越的性能,精度高达99.9%.
• 转移学习和数据增强是解决数据限制的常见策略; radiomics 出现在个性化诊断.

结论:

• 机器学习,特别是像CNN和变形金刚这样的深度学习模型,在改善脑MRI分析以检测和划分瘤方面显示出巨大的潜力.
• 尽管报告的准确性很高,但挑战包括过度拟合,对各种临床数据的概括以及对标准化评估协议的需求.
• 专注于严格的临床验证和基准测试的进一步研究对于成功将ML纳入常规临床实践至关重要.