Search

Los métodos avanzados de aprendizaje automático pueden ayudar a identificar el riesgo de demencia de la neuroimagen, pero su precisión hasta la fecha no está clara. Revisamos sistemáticamente la literatura, desde 2006 hasta finales de 2016, para los estudios de aprendizaje automático que diferencian el envejecimiento saludable de la demencia de varios tipos, evaluamos la calidad del estudio y comparamos la precisión en diferentes límites de enfermedades. De los 111 estudios relevantes, la mayoría evaluó la enfermedad de Alzheimer en comparación con los controles sanos, utilizando datos de la Iniciativa de neuroimagen AD, máquinas de vectores de soporte y solo secuencias ponderadas en T1. La precisión fue más alta para diferenciar la enfermedad de Alzheimer de los controles sanos y pobre para diferenciar los controles sanos versus deterioro cognitivo leve versus enfermedad de Alzheimer o conversores de deterioro cognitivo leve versus no conversores. La precisión aumentó con los tipos de datos combinados, pero no con la fuente de datos, el tamaño de la muestra o el método de aprendizaje automático. El aprendizaje automático todavía no distingue categorías de enfermedades clínicamente relevantes. Los conjuntos de datos más diversos, las combinaciones de diferentes tipos de datos y la estrecha integración clínica del aprendizaje automático ayudarían a avanzar en este campo.

Los métodos avanzados de aprendizaje automático pueden ayudar a identificar el riesgo de demencia de la neuroimagen, pero su precisión hasta la fecha no está clara. Revisamos sistemáticamente la literatura, desde 2006 hasta finales de 2016, para los estudios de aprendizaje automático que diferencian el envejecimiento saludable de la demencia de varios tipos, evaluamos la calidad del estudio y comparamos la precisión en diferentes límites de enfermedades. De los 111 estudios relevantes, la mayoría evaluó la enfermedad de Alzheimer en comparación con los controles sanos, utilizando datos de la Iniciativa de neuroimagen AD, máquinas de vectores de soporte y solo secuencias ponderadas en T1. La precisión fue más alta para diferenciar la enfermedad de Alzheimer de los controles sanos y pobre para diferenciar los controles sanos versus deterioro cognitivo leve versus enfermedad de Alzheimer o conversores de deterioro cognitivo leve versus no conversores. La precisión aumentó con los tipos de datos combinados, pero no con la fuente de datos, el tamaño de la muestra o el método de aprendizaje automático. El aprendizaje automático todavía no distingue categorías de enfermedades clínicamente relevantes. Los conjuntos de datos más diversos, las combinaciones de diferentes tipos de datos y la estrecha integración clínica del aprendizaje automático ayudarían a avanzar en este campo.