深度学习在阿尔茨海默病中的应用：基于神经影像数据的诊断分类与预后预测
图像与视频处理
2019-08-22 v4 机器学习
机器学习
摘要
深度学习在识别复杂高维数据中的精细结构方面表现出卓越性能，尤其在计算机视觉领域。随着神经影像技术的快速发展产生了大规模多模态神经影像数据，将深度学习应用于阿尔茨海默病（AD）的早期检测和自动分类近来受到相当关注。本文对使用深度学习方法和神经影像数据进行 AD 诊断分类的文献进行了系统综述。通过 PubMed 和 Google Scholar 检索，筛选出 2013 年 1 月至 2018 年 7 月间发表的关于 AD 的深度学习论文。对这些论文按算法和神经影像类型进行审阅、评估和分类，并总结发现。在符合全部纳入标准的 16 项研究中，4 项使用了深度学习与传统机器学习相结合的方法，12 项仅使用深度学习方法。传统机器学习用于分类、堆叠自编码器（SAE）用于特征选择的方法在 AD 分类中准确率达 98.8%，在 AD 前驱阶段轻度认知障碍（MCI）向 AD 转化的预测中达 83.7%。不使用预处理进行特征选择、直接以神经影像数据输入的卷积神经网络（CNN）或循环神经网络（RNN）等深度学习方法，在 AD 分类中准确率达 96.0%，在 MCI 转化预测中达 84.2%。当多模态神经影像与体液生物标志物结合时分类性能最佳。使用深度学习的 AD 研究仍在发展，正通过纳入额外混合数据类型、以可解释方法增加透明度并补充疾病相关特征与机制知识来提升性能。
引用
@article{arxiv.1905.00931,
title = {Deep Learning in Alzheimer's disease: Diagnostic Classification and Prognostic Prediction using Neuroimaging Data},
author = {Taeho Jo and Kwangsik Nho and Andrew J. Saykin},
journal= {arXiv preprint arXiv:1905.00931},
year = {2019}
}