高光亮点
- •卷积神经网络在T1加权数据特征提取方面表现卓越
- •机器学习和非卷积神经网络依赖预处理及特征提取流程
- •标准化流程和多样化数据集将提升AI临床适用性
摘要
阿尔茨海默病（AD）是全球痴呆症的主要病因，其特征为异质性神经病理改变和进行性认知衰退。尽管已有大量研究，目前仍缺乏超越延缓病程和补偿功能障碍的有效治疗方法。神经影像技术为大脑改变提供了全面视角，其中磁共振成像（MRI）因其无创性和广泛可及性发挥着关键作用。T1加权MRI序列由于在大多数MRI方案中的普遍应用，生成了适合人工智能（AI）分析的大型数据集。AI特别是机器学习（ML）和深度学习（DL）技术已被广泛用于建模这些数据并对AD连续体中的个体进行分类。本系统综述评估了使用T1加权MRI数据对AD进行多阶段分类的AI研究。卷积神经网络（CNN）应用最广泛，平均分类准确率达85.93%（范围：51.80–100%；中位数：87.70%）。这种优异表现源于CNN直接从原始影像数据中提取分层特征的能力，减少了对复杂预处理的需求。非卷积神经网络和传统机器学习方法也展现出强劲性能，平均准确率分别为82.50%（范围：57.61–99.38%；中位数：86.67%）和84.22%（范围：33–99.10%；中位数：87.75%），凸显了输入数据选择的重要性。尽管结果具有前景，但挑战依然存在，包括方法学异质性、过拟合风险以及对阿尔茨海默病神经影像数据库（ADNI）的依赖性，后者限制了数据集的多样性。解决这些局限性对推进AI在早期检测、精准分类和改善患者预后的临床应用至关重要。
关键词
阿尔茨海默病
磁共振成像
T1加权
机器学习
神经网络
人工智能
【全文结束】