[논문 리뷰] AI and Non AI Assessments for Dementia

Mahboobeh, Hamed Ghodrati외 5명|arXiv (Cornell University)|2023. 06. 30.

Dementia and Cognitive Impairment ResearchMedicine인용 수 3

한 줄 요약

이 논문은 조기 치매 진단을 위한 인공지능(AI) 및 비AI 평가 방법에 대한 종합적이고 다학제적 리뷰를 제공하며, 유효성, 신뢰성, 정확도 및 실용성 측면에서 비교 분석한다. 임상의와 AI 개발자 간의 격차를 해소하기 위해 기존의 방법론, 데이터셋 및 평가 프레임워크를 분석하여 핵심 연구 방향과 치매 평가 기술의 현재 성숙도를 강조한다.

ABSTRACT

Current progress in the artificial intelligence domain has led to the development of various types of AI-powered dementia assessments, which can be employed to identify patients at the early stage of dementia. It can revolutionize the dementia care settings. It is essential that the medical community be aware of various AI assessments and choose them considering their degrees of validity, efficiency, practicality, reliability, and accuracy concerning the early identification of patients with dementia (PwD). On the other hand, AI developers should be informed about various non-AI assessments as well as recently developed AI assessments. Thus, this paper, which can be readable by both clinicians and AI engineers, fills the gap in the literature in explaining the existing solutions for the recognition of dementia to clinicians, as well as the techniques used and the most widespread dementia datasets to AI engineers. It follows a review of papers on AI and non-AI assessments for dementia to provide valuable information about various dementia assessments for both the AI and medical communities. The discussion and conclusion highlight the most prominent research directions and the maturity of existing solutions.

연구 동기 및 목표

• 고도의 평가 도구를 통해 증가하는 조기 치매 진단의 필요성을 해결하기 위해.
• 임상 실무자와 AI 개발자 간의 공통 이해를 제공함으로써 임상 실무자와 AI 개발자 간의 격차를 해소하기 위해.
• AI 및 비AI 치매 평가 방법의 유효성, 신뢰성, 정확도 및 실용성 평가를 위해.
• 임상의가 증거 기반 평가를 선택하도록 안내하고 AI 개발자에게 임상적 요구사항과 기존 기준을 안내하기 위해.
• 현재 연구에서 가장 널리 사용되는 치매 데이터셋과 표준 평가 기법을 특정하기 위해.

제안 방법

• AI 및 비AI 치매 평가에 관한 동료 심사 논문을 체계적으로 검토하였다.
• 인지 테스트, 뇌 영상, 말하기 분석, 웨어러블 센서 데이터 등 다양한 평가 모odal리티를 분류하고 비교하였다.
• 정확도, 민감도, 특이도와 같은 표준 지표를 사용하여 AI 모델의 성능을 평가하였다.
• 모델 훈련 및 검증을 위해 ADNI, AIBL, NACC 등을 포함한 가장 자주 사용되는 치매 데이터셋을 매핑하였다.
• 실제 치매 간호 환경에서 AI 도구를 구현할 때 발생하는 기술적 및 임상적 과제를 분석하였다.
• 다양한 평가 도구의 성숙도 및 임상적 준비도를 평가하기 위한 비교 프레임워크를 제공하였다.

실험 결과

연구 질문

• RQ1 조기 치매 진단에 있어 가장 효과적인 AI 및 비AI 방법은 무엇이며, 정확도 및 신뢰성 측면에서 어떻게 비교될 수 있는가?
• RQ2 AI 기반 치매 평가 연구에서 가장 흔히 사용되는 데이터셋은 무엇이며, 그 주요 특성은 무엇인가?
• RQ3 민감도 및 특이도와 같은 임상적 검증 지표는 다양한 평가 모달리티 간에 어떻게 달라지는가?
• RQ4 AI 도구를 정기적인 치매 스크리닝에 통합하는 데 있어 주요 기술적 및 실용적 장애물은 무엇인가?
• RQ5 AI 보조 치매 평가의 임상적 유용성을 향상시키기 위한 가장 유망한 연구 방향은 무엇인가?

주요 결과

• AI 기반 평가 도구는 말하기, 영상, 행동 패턴과 같은 다중 모달리티 데이터를 활용할 경우 조기 치매 진단에 강력한 잠재력을 보인다.
• MMSE 및 MoCA와 같은 비AI 인지 스크리닝 도구는 단순성과 임상적 검증 덕분에 널리 사용되고 있으나, 초기 단계의 진단에서 민감도가 떨어질 수 있다.
• ADNI 데이터셋은 AI 치매 연구에서 가장 자주 사용되는 자원으로, 재현 가능한 모델 훈련과 기준 설정을 가능하게 한다.
• 말하기 및 언어 데이터를 기반으로 훈련된 AI 모델은 통제된 연구에서 경도 인지 장애와 건강한 대조군을 구분하는 데 정확도가 85% 이상을 기록한다.
• 연구 환경에서는 높은 성능를 보이지만, 일반화 능력, 해석 가능성 및 임상 통합 문제로 인해 많은 AI 도구가 실제 환경 적용에서 어려움을 겪고 있다.
• 논문은 표준화된 평가 프로토콜과 종단적 검증이 AI 도구의 임상 적용을 위한 발전을 위해 명백한 필요성을 규명하고 있다.