[论文解读] AI and Non AI Assessments for Dementia

Mahboobeh, Hamed Ghodrati+5 more|arXiv (Cornell University)|Jun 30, 2023

Dementia and Cognitive Impairment ResearchMedicine被引用 3

一句话总结

本文对人工智能（AI）与非人工智能（非AI）评估方法在早期痴呆检测中的应用进行了全面的跨学科综述，比较了其有效性、可靠性、准确性和实用性。通过分析现有方法、数据集和评估框架，弥合了临床医生与AI开发者之间的差距，指出了关键的研究方向以及痴呆评估技术的当前成熟度。

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.

研究动机与目标

• 为应对早期痴呆检测日益增长的需求，通过先进评估工具提供支持。
• 通过提供对痴呆评估技术的共同理解，弥合临床从业者与AI开发者之间的差距。
• 评估人工智能与非人工智能痴呆评估方法的有效性、可靠性、准确性和实用性。
• 为临床医生选择循证评估工具提供建议，并向AI开发者提供临床需求和现有基准信息。
• 识别当前研究中使用最广泛的痴呆数据集和标准评估技术。

提出的方法

• 对人工智能与非人工智能痴呆评估的同行评审文献进行了系统性综述。
• 对各种评估模式（包括认知测试、神经影像、言语分析和可穿戴传感器数据）进行分类与比较。
• 使用标准指标（如准确率、敏感性和特异性）评估人工智能模型的性能。
• 绘制最常用于模型训练和验证的痴呆数据集（包括ADNI、AIBL和NACC）的映射图。
• 分析在真实痴呆照护环境中部署人工智能工具所面临的技术与临床挑战。
• 提供一个评估不同评估工具成熟度与临床适用性的比较框架。

实验结果

研究问题

• RQ1 在早期痴呆检测中，最有效的AI与非AI方法是什么？它们在准确性和可靠性方面如何比较？
• RQ2 在基于人工智能的痴呆评估研究中，最常使用的数据集有哪些？其关键特征是什么？
• RQ3 不同评估模式中，临床验证指标（如敏感性和特异性）如何变化？
• RQ4 将人工智能工具整合到常规痴呆筛查中的主要技术和实际障碍是什么？
• RQ5 在提升人工智能辅助痴呆评估的临床实用性方面，最具前景的研究方向是什么？

主要发现

• 基于人工智能的评估在利用语音、影像和行为模式等多模态数据时，展现出在早期痴呆检测中的强大潜力。
• 非人工智能认知筛查工具（如MMSE和MoCA）由于其简便性和临床验证，仍被广泛使用，但可能在早期阶段检测中敏感性不足。
• ADNI数据集是人工智能痴呆研究中最常使用的资源，支持可重复的模型训练与基准测试。
• 在受控研究中，基于语音和语言数据训练的人工智能模型在区分轻度认知障碍与健康对照组时，准确率超过85%。
• 尽管在研究环境中表现优异，许多人工智能工具在真实世界部署中仍面临泛化能力、可解释性和临床整合等方面的挑战。
• 本文明确指出了制定标准化评估协议和进行纵向验证的迫切需求，以推动人工智能工具向临床应用迈进。