对阿尔茨海默病阶段分类深度学习的范围:方法,挑战和机会

科学领域:

• 人工智能在医学中的应用
• 神经科学是一个神经科学.
• 医学成像分析 医学成像分析

背景情况:

• 深度学习 (DL) 模型越来越多地用于阿尔茨海默病 (AD) 阶段分类.
• 这些模型为改善诊断准确性和早期介入阿尔茨海默病提供了潜力.
• 然而,有很大的障碍阻碍了它们转化为临床实践.

研究的目的:

• 对AD分类的DL最近的研究进行范围审查.
• 评估当前的绩效基准,并确定方法上的局限性.
• 要突出DL模型在AD的临床翻译的障碍.

主要方法:

• 采用了范围审查方法论,分析了2018年至2024年间发表的18项同行评审研究.
• 提取的数据包括数据集来源,预处理,模型架构 (CNN,TL),性能指标和转化因素.
• 综合了研究来比较性能和确定局限性.

主要成果:

• DL模型,特别是转移学习 (TL) 和定制卷积神经网络 (CNN),经常报告准确度超过90%.
• 性能对任务框架和数据集特征高度敏感,观察到的概括性有限.
• 存在关键的翻译差距,只有一个研究进行了外部验证;成本效益很少被报告.

结论:

• DL在AD分类方面表现出很高的准确性,但缺乏强度和通用性.
• 临床翻译受到外部验证,标准化评估和成本效益数据的需求所阻碍.
• 未来的进步需要临床解释,工作流集成模型,透明的财务成本报告.