[论文解读] Machine learning of neuroimaging to diagnose cognitive impairment and dementia: a systematic review and comparative analysis

Enrico Pellegrini, Lucia Ballerini+12 more|arXiv (Cornell University)|Apr 5, 2018

Dementia and Cognitive Impairment Research被引用 7

一句话总结

本篇系统性综述评估了利用神经影像学进行认知障碍与痴呆诊断的机器学习（ML）模型，分析了2006年至2016年间的111项研究。尽管ML模型在区分阿尔茨海默病与健康对照组时表现出高准确率，但在临床上更具相关性的区分任务中（如轻度认知障碍（MCI）与对照组，或MCI转化者与非转化者）性能显著下降，凸显了尽管整合多模态数据有所改进，但在临床转化方面仍存在局限。

ABSTRACT

INTRODUCTION: Advanced machine learning methods might help to identify dementia risk from neuroimaging, but their accuracy to date is unclear. METHODS: We systematically reviewed the literature, 2006 to late 2016, for machine learning studies differentiating healthy ageing through to dementia of various types, assessing study quality, and comparing accuracy at different disease boundaries. RESULTS: Of 111 relevant studies, most assessed Alzheimer's disease (AD) vs healthy controls, used ADNI data, support vector machines and only T1-weighted sequences. Accuracy was highest for differentiating AD from healthy controls, and poor for differentiating healthy controls vs MCI vs AD, or MCI converters vs non-converters. Accuracy increased using combined data types, but not by data source, sample size or machine learning method. DISCUSSION: Machine learning does not differentiate clinically-relevant disease categories yet. More diverse datasets, combinations of different types of data, and close clinical integration of machine learning would help to advance the field.

研究动机与目标

• 评估机器学习模型在利用神经影像学区分认知障碍阶段时的诊断准确性。
• 评估数据类型、样本量、机器学习方法及数据来源对模型性能的影响。
• 识别当前研究中的空白，特别是区分轻度认知障碍（MCI）以及预测MCI转化为痴呆的能力。
• 对神经退行性疾病中不同疾病边界处的机器学习方法进行对比分析。
• 通过识别关键局限与临床整合的机会，为未来研究提供指导。

提出的方法

• 从2006年至2016年底进行了系统性文献回顾，重点关注利用机器学习对认知障碍阶段的神经影像数据进行分类的研究。
• 通过数据来源、成像序列（如T1加权）、机器学习算法（如支持向量机）及数据融合方法，评估研究的方法学质量。
• 比较不同疾病边界处的诊断准确率：健康对照组与阿尔茨海默病（AD）之间、对照组与MCI之间，以及MCI转化者与非转化者之间。
• 提取并分析各研究中的性能指标，如准确率、敏感性和特异性。
• 评估多模态数据整合（如结构、功能和扩散MRI）对模型性能的影响。
• 通过评估模型是否能检测出细微的、早期阶段的认知损害，强调其临床相关性。

实验结果

研究问题

• RQ1 利用神经影像学，机器学习模型在区分阿尔茨海默病与健康老化方面的诊断准确率如何？
• RQ2 模型性能在不同临床边界（如MCI与对照组，或MCI转化者与非转化者）之间如何变化？
• RQ3 数据类型、样本量、机器学习算法或数据来源在多大程度上影响模型准确率？
• RQ4 与单模态方法相比，结合多种神经影像学模态是否能提高诊断性能？
• RQ5 当前机器学习模型在早期认知损害检测中缺乏临床实用性的关键限制因素是什么？

主要发现

• 在区分阿尔茨海默病与健康对照组时，诊断准确率最高，许多研究报告的准确率超过90%。
• 在区分MCI与健康对照组，或MCI转化者与非转化者时，性能显著下降，表明其在早期检测中的临床实用性有限。
• 与单序列方法相比，整合多模态神经影像数据（如T1、T2、扩散和功能MRI）可提高模型准确率。
• 样本量更大、更先进的机器学习方法，或特定数据源（如ADNI）并未带来准确率的显著提升。
• 支持向量机（SVMs）和T1加权成像分别是各研究中最常使用的方法与序列。
• 综述结论认为，当前的ML模型在临床相关疾病边界上的精度仍不足，强调需要更丰富的数据集和更强的临床整合。