[论文解读] A Review of Artificial Intelligence Technologies for Early Prediction of Alzheimer's Disease

Kuo Yang, Emad A. Mohammed|arXiv (Cornell University)|Dec 22, 2020

Brain Tumor Detection and Classification参考文献 40被引用 14

一句话总结

本综述整合了近年来人工智能在阿尔茨海默病（AD）早期预测中的进展，重点关注卷积神经网络（CNNs）、循环神经网络（RNNs）、自编码器和图卷积网络等深度学习模型在医学影像中的应用。评估了模型性能、局限性及预处理技术，全面概述了人工智能在利用神经影像数据进行早期AD检测中的作用。

ABSTRACT

Alzheimer's Disease (AD) is a severe brain disorder, destroying memories and brain functions. AD causes chronically, progressively, and irreversibly cognitive declination and brain damages. The reliable and effective evaluation of early dementia has become essential research with medical imaging technologies and computer-aided algorithms. This trend has moved to modern Artificial Intelligence (AI) technologies motivated by deeplearning success in image classification and natural language processing. The purpose of this review is to provide an overview of the latest research involving deep-learning algorithms in evaluating the process of dementia, diagnosing the early stage of AD, and discussing an outlook for this research. This review introduces various applications of modern AI algorithms in AD diagnosis, including Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), Automatic Image Segmentation, Autoencoder, Graph CNN (GCN), Ensemble Learning, and Transfer Learning. The advantages and disadvantages of the proposed methods and their performance are discussed. The conclusion section summarizes the primary contributions and medical imaging preprocessing techniques applied in the reviewed research. Finally, we discuss the limitations and future outlooks.

研究动机与目标

• 提供人工智能技术在早期阿尔茨海默病检测中应用的全面综述。
• 分析卷积神经网络（CNNs）、循环神经网络（RNNs）和自编码器等深度学习模型在诊断早期AD方面的有效性。
• 评估对提升人工智能模型性能至关重要的医学影像预处理技术。
• 识别当前人工智能方法的局限性，并提出未来研究方向。

提出的方法

• 系统性回顾2015年至2020年期间发表的关于人工智能在阿尔茨海默病预测中应用的同行评审文献。
• 将人工智能模型分类为：卷积神经网络（CNNs）用于空间特征提取，循环神经网络（RNNs）用于时间序列建模，自编码器用于降维和特征学习。
• 纳入图卷积网络（GCNs）以建模大脑网络连接性，以及迁移学习以利用预训练模型。
• 评估集成学习和基于自编码器的架构在提升模型泛化能力和鲁棒性方面的表现。
• 分析包括头骨剥离、强度归一化和基于图谱的配准在内的预处理流程。
• 使用准确率、AUC以及敏感性/特异性等指标，比较不同数据集上模型的性能表现。

实验结果

研究问题

• RQ1 哪些深度学习架构在使用神经影像数据进行早期阿尔茨海默病预测时表现出最高的准确率？
• RQ2 诸如归一化和配准等预处理技术如何影响人工智能模型在AD检测中的性能表现？
• RQ3 卷积神经网络（CNNs）、循环神经网络（RNNs）、图卷积网络（GCNs）和自编码器在分类早期AD方面具有哪些相对优势与局限性？
• RQ4 迁移学习和集成方法在提升模型在多样化数据集上的泛化能力方面有多有效？
• RQ5 在部署人工智能进行早期AD诊断过程中，面临的主要挑战和未来研究方向是什么？

主要发现

• 基于CNN的模型在多项研究中实现了AUC值超过0.90，表明其在使用MRI和PET扫描区分AD患者与健康对照组方面表现优异。
• RNN及LSTM变体在分析纵向影像数据方面展现出潜力，通过捕捉疾病进展模式，提升了预测准确率。
• 基于自编码器的模型有效降低了数据维度，同时保留了临床相关特征，从而增强了后续分类性能。
• 图卷积网络（GCNs）在识别与早期AD相关的异常大脑网络连接性方面，优于传统模型。
• 使用VGG和ResNet等预训练模型进行迁移学习，显著提升了小样本数据集上的性能，减少了过拟合现象。
• 尽管准确率较高，但所有模型类型在多样化人群和不同影像扫描协议之间的泛化能力仍是一个主要局限。