|
深度学习模型是一种机器学习模型,可以从给定的训练数据中提取更高(更深)层次的特征。在大多数情况下,DL模型由大量无界层组成,这些层由有界(固定)大小的神经元构建。神经元是提取特征的DL模型的基本处理单元。对于传统的ML技术,特征是通过一些数学模型从训练数据中手动提取的。然而,在DL模型中,特征是从隐藏层自动提取的。这些特点有助于许多应用。CAD最近吸引了这样的应用。在下面的段落中,我们讨论了解决AD疾病诊断问题的此类模型。 如前所述,传统模型需要手动调整特征,因此数据预处理是其不可或缺的一部分。然而,对于DL模型,预处理会带来更好的性能。在这方面,Kabir等人(2021)使用脑MRI数据的比较研究创建了一个基于多分类的AD检测系统。使用了18层CNN模型架构。这是一种特殊的预处理方法,对MRI扫描的所有三个解剖平面使用一个顺序模型。使用预训练的CNN模型VGG19(Simonyan和Zisserman 2014)和InceptionV3(Szegedy等人2016)进行比较。它显示出80.09%的准确率。使用手工预处理方法来解决不平衡数据的问题。可以通过实现改进的损失函数、聚类程序和k-fold类验证来改进架构。此外,Hussain等人(2020)使用脑MRI数据开发了一个基于12层CNN的用于二分类和AD检测的模型。图像缩放和图像去噪是使用的两种数据预处理技术。该模型达到了97.75%的准确率。该模型在性能方面优于Xception(Chollet 2017)、InceptionV3、VGG19和MobileNetV2(Sandler等人2018)四种预训练模型。缺点是没有应用多分类方法。 同样,Yagis等人(2020)提出了一种用于评估分类准确性的3D VGG版本的CNN,使用两个免费可访问的数据集ADNI和OASIS进行AD诊断。使用3D模型可以避免将3D MRI数据转换为2D图像以供2D卷积滤波器分析时发生的信息丢失。采用共同配准、去颅骨、脑掩模和重采样的数据预处理。它在配备NVIDIA RTX2080 GPU的系统上使用Keras和TensorFlow实现。通过5折交叉验证技术,该模型在ADNI数据集上的准确率为73.4%,在OASIS数据集上为69.9%。如果对网络形状和超参数进行调整,分类准确率会提高。在同一条线上,Zheng等人(2018)设计了一种通过PET扫描利用AlexNets集成(EnAlexNets)进行早期AD诊断的算法。EnAlexNets算法有效解决了单一图像模式提供的有限信息,并简化了诊断过程中对多模式图像的要求。建议的方法分为四个主要步骤:(i)解剖体积识别,(ii)数据增强,(iii)分patch分类,以及(iv)区分不同类型的痴呆。它达到了91%的准确率。与使用多模态图像相比,该方法在捕获区分特征方面更加稳健,并表现出更好的性能。通过加强CNN架构和增加数据集的规模,可以使这些分析更加高效。 Marzban等人(2020)开发了一种稳健的方法来对抗HC对MCI和AD进行分类。该系统设计用于在低成本网络上运行,其特点是架构简单、处理高效。CNN被用作分类算法,灰质体积和扩散图作为输入图像。它证明了整合来自不同成像模态(如sMRI、扩散张量成像(DTI))的数据的重要性,并阐明了其对整体结果的影响。该模型在配备2 GHz处理器、Intel Xeon CPU、384 GB RAM和八核的64位Windows Server 2019计算机上实现。CNN模型是用MATLAB R2018b创建的。该模型在HC与MCI的准确率为71.1%,在HC与AD的准确率为88.9%。测试集和训练集之间的受试者ID不应有重叠。在同一方向上,Mehmood等人(2020)受VGG16架构的启发,设计了用于对痴呆阶段进行分类的孪生CNN模型。通过使用增广技术,该方法扩大了不完整和不平衡的数据。该模型在Keras库上实现,并在配备64GB内存和E5-2630V3 2.40GHz*32处理器的Intel Xeon(R)CPU上进行模拟。报告了痴呆阶段分类的验证结果准确率为99.05%。利用归一化程序来最小化过拟合和规范化模型的性能。由于注释数据和预处理阶段较少,以及用于分割和归一化的复杂参数,因此很难有效地处理众多参数。 此外,Alshammari和Mezher(2021)使用MRI扫描实现了用于AD阶段分类和检测的CNN。在实现方法中,在提取特征并将其重新转换为1D向量并提交给CNN以及附带标签之前,采用了基本的预处理技术。根据考虑的AD的四个不同阶段,采用了四个标签:ND、VMD、MID和MOD。该模型在具有Windows 7操作系统的系统上使用Tensorflow、OpenCV、Pandas、NumPy、MatplotLib和Pycharm IDE中的PysimpleGUI以及Anaconda开发人员GUI实现。只运行了10个epoch来确定模型的性能。模型的记录准确率为97%。由于训练样本数量较少,标记为"中度痴呆"的类别表现出最低的准确率得分;其他类别同样不同。此外,训练epoch非常少。此外,Bringas等人(2020)开发了一个DL模型,用于利用患者的移动数据识别AD阶段。该方法包括两个不同的阶段:(i)预处理阶段,减少加速度计数据序列的长度,并确保数据点之间的均匀间隔,以提高数据一致性。(ii)监督学习阶段,创建CNN来预测AD的不同阶段。它在配备RTX2070显卡的系统上使用Keras和scikit库实现,准确率达到90.91%。与传统的监督学习模型相比,采用这种基于CNN的策略可以显著提高识别AD不同阶段的准确性。数据依赖于不能保证数据采集率的加速度计传感器。 最后,Tufail等人(2022)建议使用PET扫描将AD早期阶段分类为MCI、AD、NC类的CNN模型。应用了远程域迁移学习(TL)和模糊前子采样等思想来创建2D CNN架构。CNN架构在3D域中表现良好,展示了在更高维度训练的重要性。进行了三个二进制和一个多类分类。统计分析显示,通过五重交叉验证,3D-CNN模型表现更好,在NC与MCI上达到62.25%的准确率,在MCI与AD上达到71.70%的准确率,在NC与AD二进制分类上达到89.21%的准确率,在AD与MCI与NC多类分类上达到59.73%的准确率。上述工作在表9中进行了总结和比较。 表9 基于DL模型数据预处理的最新工作总结  此外,Liu等人(2022)设计了一种利用3D DCNN的技术,使用sMRI精确区分轻度AD痴呆患者与MCI和CN患者。通过已知的受疾病影响的脑区的尺寸和厚度构建参考模型。NVIDIA CUDA并行计算平台用于模型模拟。使用该模型进行进展预测。由于计算限制,使用了大小为4的批次,因此学习率较低且耗时。表10比较了一些依赖人脑形态学训练模型的最新工作。 表10 基于脑形态学的DL模型的最新工作总结  如前所述,有几个数据集包含AD诊断数据。由于诊断可用的众多测试,其数据类型也各不相同。在一些工作中,这被用于构建适合特定数据类型的DL模型。Basaia等人(2019)构建并验证了一种用于预测MCI和AD诊断的DL算法。通过使用来自ADNI的MRI图像训练CNN。评估了CNN在识别AD、可转换MCI(cMCI)和sMCI方面的性能。所有分类都表现出优异的准确率,在HC与AD之间获得的最高。具体而言,当仅使用ADNI数据集时,HC与AD分类的准确率为99%,当结合ADNI和非ADNI数据集时,准确率略低,为98%。CNN在促进AD连续体中单个患者的自动诊断方面非常有价值。尽管成像技术和扫描仪多种多样,但在没有任何先前特征工程的情况下,该策略表现出色。更长的临床随访可以改善临床诊断和算法性能。同样,Etminani等人(2022)提出了一种3D DL模型,该模型采用18氟脱氧葡萄糖PET扫描来预测痴呆和AD的最终临床诊断。该模型预测的诊断结果与人类读者及其集体协议相比表现出令人钦佩的性能。3D CNN模型是利用VGG16 CNN架构构建的。它在运行Ubuntu 18.09操作系统并配备NVIDIA Quadra GV100 GPU的系统上使用Keras实现。它达到了78.9%的验证准确率。本研究的优点是数据集相当多样化,测试集规模庞大。该方法的稳健性仅限于ADNI数据集中发现的特定特征和数据分布。 此外,Giovannetti等人(2021)开发了一种Deep-MEG方法,通过基于深度CNN的集成分类器与基于图像的脑磁图(MEG)数据表示相结合。为了预测AD的早期阶段,来自空间上不同脑区的脑生物磁信号被用作本研究中的MEG数据。本研究采用通过预训练的CNN进行TL。在54个MCI样本受试者中预测AD转换的准确率达到89%,在包括33个HC的87个样本受试者中达到87%。所提出的Deep-MEG技术有助于早期检测频谱-时间连通性特征的变化。然而,三类分类(HC、pMCI、sMCI)的结果并不令人满意。此外,Balboni等人(2022)使用空间变形网络分割来分割MRI扫描。使用Python 3.6.9以及Keras和TensorFlow库进行实现。在这项工作中,TL已成功地在CNN上建立,提高了网络性能。该研究的主要缺点是用于评估新模型的样本数量有限,这限制了结果的统计能力。最后,Folego等人(2020)采用sMRI中的AD生物标志物进行CAD设计。它在配备Intel Xeon 2.40GHz E5645 CPU、约2GB RAM和NVIDIA GPU:GeForce GTX TITAN X的系统上实现。当该方法与ADNet-DA(一种ML域自适应)设置时,获得了52.3%的准确率。这项研究的一个贡献是构建了一个完全自主、相对快速且能够提供有竞争力的结果的DL系统,而无需依赖患者的任何特定领域疾病知识。表11根据用于模型开发的数据集比较了上述DL模型。 表11 基于所使用数据集的最新DL模型工作总结  Odusami等人(2021)设计了一种基于DL的方法来预测MCI、EMCI、LMCI和AD。它采用改进的ResNet18微调技术成功地对fMRI脑扫描进行分类。网络微调过程的基础是TL的概念。在所有研究中,都使用了带有Python的PyTorch库。模型性能的准确率分别为:(i)AD与EMCI为99.99%;(ii)MCI与EMCI为99.95%;(iii)AD与LMCI为98.5%。该方案的优点是,模型的微调可以在不需要dropout层的情况下产生更好的准确性和最佳性能。微调模型表现出过拟合的迹象,使用dropout并没有有效地缓解这个问题。 同样,一些用于AD的CAD系统利用GAN架构进行训练和预测。在这方面,Jung等人(2023)开发了一种条件GAN(cGAN),用于生成表示AD不同阶段的高分辨率3D MRI图像。为了确保在3D空间中的真实和平滑过渡,在cGAN架构中加入了一个额外的模块。这允许生成在视觉上连贯和真实的MRI图像,捕捉AD在不同阶段的进展。该模型由一个2D判别器和一个2D注意力生成器组成。该方法结合了一个3D判别器,可以在2D切片中产生连续的轴向视图,从而生成高分辨率的3D MR体积。它提供了一个自适应的身份损失,用于在实现无缝变形的同时保持原始身份。同样,Roychowdhury和Roychowdhury(2020)将脑萎缩与AD进展相关联。使用一组条件深度卷积生成器生成合成MRI图像。此外,通过计算皮层厚度的分形维度来评估这些合成图像。通过采用一系列对抗网络来复制AD的各个阶段,证明了该方法的可行性。然而,所提出模型的训练阶段需要大量的GPU内存,而且也很耗时。 其他一些人使用自动编码器作为DL模型。Pinaya等人(2021)评估了AD和MCI患者的结构神经影像数据,以评估基于深度自动编码器的规范模型。使用对抗性自动编码器创建规范模型。使用具有线性核的RVM进行分类分析。该模型是用TensorFlow和sklearn_rvm包构建的。在大多数情况下,分类器在平均性能方面优于规范方法。尽管在某些情况下传统分类器表现更好,但在大多数情况下,所得到的差异在统计学上并不可靠。此外,Guo和Zhang(2020)开发了一种基于DNN和使用静息态fMRI构建的各种医疗数据的AD早期检测方法。所有fMRI图像和文本数据,如性别、遗传和年龄,都用于模型训练和数据分类。功能智力网络是通过利用静息态fMRI(R-fMRI)信号的相关性构建的。这些网络用于通过结合相关系数的信息来增强神经网络的形成。与标准程序相比,所提出的方法将诊断准确率提高了约25%。在大约50次训练迭代后,损失函数的收敛开始减速和减少,表明超参数选择不足。 此外,在AD的CAD系统领域,其他DL模型也进行了实验。我们对它们的发现如下所述。Zhu等人(2021)提出了一个双通道DL模型。它由三个主要组成部分组成:(i)包含空间注意力模块的Patch-Nets,(ii)基于注意力多实例学习(MIL)的池化操作,以及(iii)包含注意力机制的全局分类器。它使用PyTorch包在配备NVIDIA GTX Titan x GPU系统的系统上实现。对于NC与AD分类,获得了92.4%的准确率,对于sMCI与PMCI分类,获得了80.2%的准确率。该模型的优势在于其出色的诊断性能,超过了几项最先进的工作,同时还检测到sMRI扫描中有区别的异常区域。该方法的一个显著局限性是,当基于组比较将分块位置思想与后续网络隔离时,会影响实现最佳性能。Bi和Wang(2019)提出了一种方法,涉及开发多任务学习深度概率模型。其目的是将脑电图(EEG)频谱图像分类为不同的AD类别。该策略由两个组成部分组成:(i)同时学习多个任务的策略,以及(ii)使用深度卷积网络整合判别和生成能力的高级模型。由于开发的模型将特征提取和分类联系起来,因此其性能优于其他生成模型。它具有95.04%的准确率。另一个关键因素是使用多任务学习来克服过拟合。使用正则化而不是其他数据类型证明了该模型的独特性。MCI和AD之间的错误分类占总错误的很大一部分。 Zhang等人(2021a)开发了一个可解释的DL模型用于CAD系统。它基于神经网络的残差注意力理论,通过使用sMRI图像实现端到端学习。该技术有两个贡献:(i)残差自注意力DNN,用于从MRI扫描中收集空间、局部和全局信息,以提高诊断性能;(ii)基于梯度的定位类激活映射方法,以提高可解释性。使用PyTorch框架在配备Intel(R)、NVIDIA 2080TI GPU、Xeon(R)CPU和64GB内存的服务器上进行实现。所提出的方法从整个MRI图像中自动提取非线性和高维特征,从而提高了AD诊断的分类性能。所使用的批量大小较小,导致梯度估计中噪声增加。EL-Geneedy等人(Marwa等人2023)构建了一个基于DL的管道,用于精确的AD阶段分类和诊断。所提出的分析管道使用2D T1加权MRI图像和浅层CNN架构。该模型包括全局和局部分类以及快速准确的诊断。使用NVIDIA TESLA P100 GPU实现该模型,其准确率为99.68%。这种方法的优点是通过适当的网络架构选择可以提高准确性。它不适用于大规模数据集。 Bangyal等人(2022)设计了一种采用DCNN进行AD诊断的方法。为了进行公平比较,使用了基于ML的方法,即LR、RF、kNN、SVM、SGD、梯度提升、XGB、MLP。CNN模型将AD预测为4个阶段:MID、ND、MOD和VMD。该方法的实现利用了一个配备Intel Core i7-1045 H处理器的系统,该处理器具有2.6 GHz基频,带Turbo Boost、12MB高速缓存、6个内核、12个线程,以及一个带8GB RAM的GeForce RTX NVIDIA 2070 Max-Q。它达到了94.61%的准确率。中度痴呆类的图像较少。Ahmad等人(2021)实现了一个基于CNN的DL模型用于CAD。通过识别受影响大脑和健康大脑之间的差异,它有助于早期AD诊断。所提出的CNN和CAD模型提高了简单和残差神经网络的性能。它显示出97%的准确率。根据这项研究,深度学习算法,特别是那些使用卷积神经网络(CNN)提取平移不变和尺度不变特征的算法,是对临床MRI数据进行分类的最佳工具之一。尽管如此,一个显著的缺点是用于训练的数据量有限。 Fan等人(2021)开发了一个基于U-Net(Ronneberger等人2015)的模型,使用3D MRI扫描进行AD诊断。建议的U-Net设计包括结构特征,可用于分类任务。该模型在配备NVIDIA Titan xp GPU的系统上使用Keras库实现,达到了86.47%的准确率。U-Net模型在各种任务中都很有效,包括医学图像分割、图像分类和结合跳跃连接。深度监督有效地提高了模型在具有挑战性的分类任务中的性能。实验中使用的数据集大小不足以进行实际部署。 Ding等人(2019)提出并验证了一种基于DL的算法,用于AD最终诊断预测。来自ADNI的前瞻性18F-FDG PET脑扫描被用作数据集。本研究使用InceptionV3。它使用Python、SciPy和Keras在配备6核i7 5930k 3.5GHz处理器和具有CUDA 8.0和CuDNN 6.0的NVIDIA Pascal TitanX GPU的系统上实现。这种方法表明,DL算法如何从脑PET成像研究中准确预测AD诊断,具有优异的性能和对外部测试数据的弹性。由于可用的测试数据量有限,DL算法的稳健性受到限制,其性能主要适用于ADNI训练集内的特定临床分布。 Al-Khuzaie等人(2021)提出了一种DL方法,利用通过MRI获得的2D解剖切片区分AD患者和健康人。与大多数早期研究使用3D CNN不同,这项工作使用2D切片作为CNN的输入数据。CNN结构使用2D切片进行训练,以展示深度网络中的权重,称为阿尔茨海默网络(AlzNet)。它在Python 3.6和Keras中实现,达到了99.30%的准确率。本研究考察了几个参数,包括dropout率、滤波器数量、层数等,以确定它们对AlzNet系统的影响。Li和Liu(2018)通过将DenseNet与k-means聚类相结合开发了一个集成模型。它捕获MRI扫描的许多局部特征。它在配备NVIDIA GeForce GTX 1080 Ti GPU的系统上使用Keras库实现。它在将AD与NC分类方面的准确率为89.5%,在将MCI与NC分类方面的准确率为73.8%。建议的模型处理小型训练集挑战的能力很有用。DenseNet模型的参数,包括层的类型和数量,没有以最佳方式选择以增强特征选择。 Salehi等人(2020)实施了一个CNN,使用MRI图像对AD进行早期分类和诊断。它使用TensorFlow在配备Intel HD 6000 1536 MB显卡和8GB RAM的系统上实现,达到99%的准确率。它结合了两个图像数据源来增加图像数量,从而提高模型性能。局限性在于未包括中度痴呆类别。Ajagbe等人(2021)提出了使用CNN、VGG16和VGG19对AD进行多分类。本研究旨在使用DCNN改进AD图像的分类。该模型在配备Intel Core、8GB RAM、i7 4600U处理器、Windows 10-64位操作系统和14英寸屏幕、256GB SSD的系统上实现。Matplotlib、TensorFlow和Keras是用于实现的库。准确率分别达到77.66%、77.04%和71.02%。在使用的三个模型中,VGG19表现最好,CNN优于VGG16。缺乏真实或本地数据集,以及用于实现的机器的计算时间长,是这项工作的局限性。 Ahila等人(Hamdi等人2022)提出了一种CAD技术,基于18FDG-PET扫描的特征区分NC和AD患者。通过将FDG-PET图像分解为多个2D切片,从单个切片中提取特征。所提出的模型在区分AD和NC方面具有更高的能力,分类准确率为96.8%。由于模型训练中只使用了855个样本,测试的准确性不适用于ADNI和OASIS等实时数据集。Ebrahimi等人(2020)提出了一种通过在3D ResNet18模型中采用TL进行AD早期检测的技术。它可以将知识从2D转移到3D图像数据集。本研究比较了2D和3D CNN,结果表明,使用具有TL的3D CNN可提高模型的准确性。它达到了96.88%的准确率。网络在NVIDIA DGX STATION上使用MATLAB中的深度学习工具箱构建和训练。研究是在具有256GB GPU和32 GB内存的系统上进行的。TL显著提高了从MRI数据识别AD的准确性。训练集、验证集和测试集分别只有200、32和32个扫描,这是一个相对较小的数字。 Goceri(2019)提出了一种完全监督的方法,使用3D特征构建,以从MRI中提供可靠的AD诊断。这项工作在以下方面做出贡献:(i)一种新的3D CNN架构,(ii)一种基于Sobolev梯度的新优化方法,为每个决策参数纳入权重,(iii)使用建议的优化器和CNN架构进行AD诊断,以及(iv)比较最新使用的AD诊断方法的结果。所提出的模型有效地从MRI图像中提取所需信息,达到98.06%的准确率。当选择批量大小为15时,验证精度显著下降,表明性能较差。上述工作在表12中进行了总结和比较。 表12基于独立架构的最新工作总结  同样,Islam和Zhang(2018)使用脑MRI数据提出了一种用于AD诊断的DCNN。InceptionV4和ResNet被开发为基线DCNN,并对其架构进行调整以对3D脑MRI数据进行分类。实现是在配备GeForce NVIDIA GTX 770 GPU、AMD A8 CPU和16GB RAM的Linux机器上进行的。该模型以93.18%的准确率准确诊断早期AD。即使数据稀疏,它也能进行更好的分类,并且不受梯度消失问题的影响。中度痴呆类别的分类性能较差。Sadat等人(2021)实现了五个最先进的CNN模型,即ResNet152V2、Inception-ResNetV2(Szegedy等人2017)、VGG19、EfficientNetB5(Tan和Le 2019)、EfficientNetB6以及一个定制设计的模型。通过结合六个模型的各种组合采用集成学习来改善整体结果。这种方法达到了96%的准确率。在TL的帮助下,通过利用最新和最现代的结构进一步改进。这项工作的弱点是依赖较小的数据集。 同样地,Suganthe等人(2021)设计了一种DCNN模型,使用MRI扫描进行AD检测及其阶段。该模型使用以下类别进行训练:ND、VMD、MID和MOD。Inception和ResNet公式的组合被用于诊断AD。它达到了79.12%的准确率。该模型采用了T1加权MRI图像的矢状面视图。该模型是用Python创建的。增加训练和验证样本的数量,以及微调CNN模型,可以提高模型的准确性。 此外,Hazarika等人(2023)使用脑MRI图像实现了一些常用于AD分类的DNN模型。他们提出了一种轻量级的混合方法,结合了AlexNet和LeNet。它在具有12GB RAM、500GB SSD、2GB显卡和i7处理器的系统上使用Python实现。它达到了93.58%的准确率。LeNet(LeCun等人1998)和AlexNet在计算速度方面表现非常出色。没有采用密集块的概念。Shamrat等人(2023)提出了一个名为AlzheimerNet的微调CNN模型,用于识别AD的阶段和NC类。最初,训练和测试了五个现有模型:MobileNetV2、InceptionV3、AlexNet、VGG16和ResNet50。由于InceptionV3具有最高的准确性,因此选择它并使用RMSprop优化器进一步细化以创建AlzheimerNet模型。它使用Python、OpenCV、NumPy和sci-kit learn在具有AMD Ryzen 7 3800X CPU和MD Radeon RX580系列GPU的系统上实现,达到98.68%的准确率。该模型与五个现有模型相比,性能显著提高。基于ADNI的PET和fMRI数据集的混合模型是一个选择,但未使用。表13简要概述了这些工作。 表13基于多个独立DL模型的最新工作总结  同样,Liu等人(2021)提出了一种利用深度可分离CNN对AD进行分类的方法。使用深度可分离卷积(DSC)代替传统卷积。此外还使用TL来提高模型性能。GoogLeNet(Szegedy等人2015)和AlexNet(Krizhevsky等人2017)是两个用于TL的训练模型,平均分类率分别为93.02%和91.40%,DSC达到77.79%的准确率。所提出的神经网络具有最小功耗要求、大幅降低的参数和计算成本。从头开始训练模型通常会导致较差的分类准确性,特别是在处理有限数据集时,可能导致过拟合或欠拟合。Hedayati等人(2021)提供了一个使用卷积自编码器集成进行深度特征提取的模型。它包括两个阶段,第一阶段通过预训练自编码器的组合提取特征,然后通过这些特征开发CNN模型用于AD阶段的分类。使用这种方法,NC与AD、NC与MCI、AD与MCI的准确率分别为92.5%、95%、90%。NC诊断的不准确性较小,早期AD诊断的敏感性高是一些优点。自编码器和CNN的卷积结构滤波器都没有调整,导致分类性能下降。 同样,Venugopalan等人(2021)提出了用于早期AD阶段检测的多模态DL模型。多模态数据融合使用DL模型,包括成像、电子健康记录(EHR)和单核苷酸多态性(SNP)。然后,将ML模型应用于这些多模态数据。它们被分为两组,即(i)EHR和SNP,(ii)MRI。对于前一组使用堆栈自编码器,而对于后者应用3D CNN。一旦对每个数据模态单独训练模型,就应用DT、RF、SVM和KNN进行AD阶段的集成分类。SNP+EHR、成像+EHR的准确率分别达到78%和77%。尽管该工作结合了多模态数据,但这些数据被无意义地分组,并未提供任何关于AD的重要知识。Li和Liu(2019)使用结构MRI图像,通过构建混合RNN和CNN对AD进行详细的海马体分析。为了学习形状特性和强度,在外部和内部海马区域的解构图像块上构建DenseNets。为了学习疾病分类中的高级特征,级联RNN与堆叠的BGRU,以合并来自海马区域的数据。它使用Keras库在具有NVIDIA GTX 1080 Ti GPU的Ubuntu操作系统上实现。对于AD与NC、NC与MCI、pMCI与sMCI,它分别获得89.1%、75%和72.5%的准确率。所提出的模型不需要组织分割或非线性配准,从而节省计算开支并加快过程。DenseNet模型的参数未得到最优选择是一个重大缺点。 Ebrahimi等人(2021b)提出了一种利用CNN在MRI扫描中早期识别AD的方法。这项研究实现并比较了几种DL模型,如RNN、2D和3D CNN。其主要贡献是使用2D图像集合将TL应用于3D CNN。该模型在具有NVIDIA DGX工作站的系统上使用MATLAB深度学习工具包实现,达到96.88%的准确率。TL的使用提高了模型的性能。一个重大缺点是医学数据集中没有很多AD受试者。Chui等人(2022)设计了一种使用MRI图像采用CNN进行AD检测的方法。采用TL来改善超参数微调和检测准确性。GAN用于基准数据集少数类的额外训练数据生成。三个OASIS数据集,即OASIS-2、OASIS-1和OASIS-3,被视为异构数据集,模型分别达到96.1%、96.9%和97.5%的准确率。这种方法的优点是更多的数据创建、自动特征提取、较少偏差的检测模型以及改进的超参数调整。该模型的一个缺点是各个类别的准确性存在差异。 Helaly等人(2021)开发了一个端到端框架,以便于早期识别AD并将医学图像分类为不同的AD阶段。这项工作采用了一种DL方法,即CNN。当对预训练的VGG19 CNN模型进行微调时,在AD阶段的多类分类中达到了97%的准确率。该模型的优点是降低了内存要求和计算复杂性,提供了可管理的时间并减少了过拟合。在AD阶段分类之前,缺乏MRI图像分割以突出AD特征被证明是一个障碍。 此外,Chen和Xia(2021)开发了一个结合深度特征提取和识别阶段的组合模型。提取模块用于捕获和记录从62个皮层区域提取的全局到局部结构化数据。然后,利用新构建的稀疏回归模块识别关键皮层区域并将其集成到提取模块中。它采用3D ResNet10,对于sMCI与pMCI的准确率为77.6%,对于AD与CN的准确率为95.32%。Freesurfer 5.3用于数据预处理,MATLAB 2016b用于训练,Python 3.5用于测试。模型的训练过程非常耗时,大约需要18小时才能完成,这是一个相当长的时间。需要仔细选择每个解剖结构的稀疏特征,并探索多模态成像数据中的稀疏性。Feng等人(2019)开发了一个通过FSBi-LSTM和3D-CNN进行AD诊断的DL框架。首先,开发一个3D-CNN模型,从PET和MRI成像数据中提取深度特征表示。使用FSBi-LSTM处理深度特征图,以提取隐藏的空间信息,进一步提高其性能。最后,使用从ADNI获得的数据集测试模型。它在配备TITAN NVIDIA Xt GPU的Windows系统上进行。在区分sMCI与NC、AD与NC、pMCI与NC方面,它达到了65.35%、86.36%和94.82%的准确率。 最后,Raju等人(2021)设计了一种使用DL进行AD多级分类的技术。数据集被分类为ND、VMD、MID和MOD。它采用VGG16与fastai的TL。该方法具有99%的预测准确率。VGG16和fastai的结合使该模型在AD的四分类中表现良好,训练过程仅需几个epoch。使用TL技术是为了避免从头开始的昂贵训练,并在数据集数量有限的情况下实现更高的效率。该模型的缺点是没有使用来自其他几种模态(如fMRI和PET)的数据。上述采用融合DL模型架构的一些工作在表14中列出。 表14基于融合DL模型的最新工作总结  如果您对影像组学，机器学习数据分析感兴趣，请浏览以下链接（直接点击即可浏览），感谢转发支持。(可添加微信号19962074063或18983979082咨询)： 广州： 北京： 4 比较与讨论 在前一节中,我们回顾了过去5年解决AD诊断分类任务的最新研究。从我们的分类法可以看出,目前用于AD的最先进CAD工作主要关注两个方面,即(i)选择适当的数据集(临床、成像等),以及(ii)选择ML模型。在本节中,我们将对前一节的发现进行批判性讨论。 4.1 关于数据源和特征选择的见解 用于AD的CAD的ML模型的准确性和有效性可能会受到所使用数据集类型的显著影响。数据集的选择通常取决于与诊断任务相关的特征。如图6a所示,大多数工作使用MRI数据。具体而言,在59篇文章中,有三项工作使用fMRI图像,而其中八项使用sMRI数据,其余工作将ML模型应用于普通MRI图像。下一个位置是多模态数据,有八项工作使用它。类似地,PET数据分别被五项工作使用,混合数据被另外四项工作使用。MRI扫描数据受到高度关注,因为在ADNI和OASIS等流行存储库中可获得神经影像诊断数据(如图6b所示)。此外,由于其他扫描数据是3D的并且需要巨大的计算能力,因此效率不高。尽管如此,在一些工作中发现,PET扫描包含许多形态学特征,可以帮助AD诊断的特征选择。从综述中还发现,只有四项工作集中于MRI和PET图像的融合。尽管在诊断过程中,医生同样使用这两种扫描进行检测,但研究人员在CAD中很少关注混合数据模型。此外,临床数据也遭受同样的命运。这归因于公共存储库中缺乏此类数据。
图6 a 最近研究中用于特征工程的几种数据类型的分布。 b 最近研究中使用的各种数据集的分布。 c 使用传统ML模型开发CAD系统的工作百分比。 d 最近研究使用的不同特征工程技术 图6b显示了最近研究使用的数据源频率分布。在这里,由于ADNI数据集的知名度和易访问性,大多数工作都使用它。由于同样的原因,OASIS位居第二。然而,由于ADNI数据集的规模更大、更多样化,因此更受欢迎。ADNI还包括来自多个站点的数据,以获得更大数量的样本。这种多样性允许更全面地训练和测试ML模型,提高其性能和泛化能力。此外,它提供了宝贵的纵向数据。纵向数据在DL模型中特别有益,因为它允许探索时间模式并开发可以准确跟踪疾病进展的预测模型。虽然OASIS数据集也是AD研究的宝贵资源,但其主要关注点是横断面数据而不是纵向数据。这一限制使其不太适合使用DL技术研究疾病进展和开发预测模型。此外,ADNI经常被研究人员使用,因此被公认为基准数据集。此外,一些工作利用来自不同来源的数据,并在预处理或训练步骤之前融合它们。这是多模态或混合方法对ML模型开发至关重要时的要求。 如前所述,特征选择在构建高效分类器模型中起着关键作用。因此,大多数工作根据训练数据的模态采用不同的特征选择策略。这些方法的分布如图6d所示。从饼图中可以看出,大多数工作使用降维技术进行特征处理。这是因为到目前为止开发的大多数现有CAD系统都使用神经影像数据来训练分类器。由于这些扫描数据的特征规模较大,因此使用了许多预处理方法。尽管现有工作利用了这些技术,但在医学界确定的新生物标志物方面,特征选择策略仍然缺乏。未来的工作应考虑这一点,以便在生物学意义和特征选择策略之间建立相关性。这有助于建立ML模型的可解释性。 4.2 关于ML模型类型的见解 我们将现有的AD的CAD工作分为两大类。在传统ML模型类别中,有21项工作,在DL模型类别中,有59项工作。图6c显示了研究人员在过去5年中用于AD诊断的几种传统模型的分布。其中,SVM是最流行的技术,因为它们可以最佳地对非线性数据进行分类。kNN、DT和RF是使用次数最多的分类器。此外,图7显示了58项工作使用的不同DL模型的分布。在这里,超过40项工作采用了CNN,其余采用了其他DL技术,如RNN、生成模型等。图8详细显示了不同DL模型的分布。从中可以看出,CNN模型比其他模型更受欢迎。CNN现在被一致用于图像分类任务,它们从高维图像数据中提取特征,而不会丢失太多信息。然而,现在的重点必须转移到设计其他DL模型,以解决AD的多模态诊断数据所呈现的纵向数据挑战。   我们在第3.3节中调查的不同模型的总结如表15所示。它为选择特定模型开发CAD系统提供了一个概述。此外,在表16和表17中,我们分别比较了传统ML和DL模型。关于传统ML模型,大多数现有工作使用来自ADNI的MRI扫描来训练分类器。尽管这些模型专注于训练分类器的特征工程任务,但它们的性能相对于DL模型来说较低。此外,由于训练样本量增加导致训练时间急剧增加,这些模型对于大规模数据集来说不实用。还可以注意到,传统ML算法在混合数据方面表现最好,因此当考虑神经影像数据以外的生物标志物时,可以帮助进行有效诊断。这些模型可以在特征工程步骤中与较新的DL模型融合,以提取生物标志物信息。在随后的阶段,可以训练DL模型以增强诊断程序与整体CAD模型可解释性之间的相关性。 表15 不同工作用于AD诊断的ML模型   与传统模型相比,选择DL模型开发CAD模型的普及程度从其出色的分类准确性中显而易见。多个数据源中神经影像数据的可用性也促成了这一点。然而,从特征工程的角度来看,这些模型是不可解释的,因此无法帮助建立临床医生所建立的诊断程序之间的相关性。此外,这些模型在空间和内存需求方面计算成本很高。它们需要现代处理单元来进行资源密集型的特征提取自动化。过去5年大多数工作都采用了CNN架构。尽管这些模型达到了更高的分类准确性,但它们无法捕获与临床医生对疾病进展的理解相关的纵向数据的特征。为了解决这个问题,需要关注纵向数据。此外,还需要考虑其他诊断测试的模式,以构建包含这些特征的数据模型。此外,数据模型必须具有转移学习的属性,以包含来自其他并发症的可解释特征。 还需要使用现有可用的生物标志物为AD诊断建立基准数据集。它不仅解决了不平衡数据的挑战,而且为设计CAD模型建立了标准框架。此外,这样的数据集激励研究人员关注诊断的多模态方面,有助于通过智能医疗、物联网等领域的进步制定治疗策略。 表16 AD诊断的最新CAD传统ML模型比较
4.3 AD的CAD中的预测任务 尽管过去在AD及其阶段分类方面已经做了大量工作,但在与疾病相关的预测任务方面存在明显差距。AD的特点是个体之间进展速度和模式的差异,这使得开发通用预测模型变得复杂。此外,用于AD预测的生物标志物,如β-淀粉样蛋白、Tau蛋白、神经炎性标志物和遗传标志物随时间表现出变异性,使得难以建立一致的基线并准确跟踪疾病进展。研究应该集中于识别和验证新的生物标志物,包括血液标志物和数字健康数据,以提高预测的准确性并促进早期检测。最近的研究表明,使用特定的生物标志物预测AD进展。例如,Whelan等人(2019)的一项研究证明了脑脊液中tau蛋白水平作为AD认知衰退可靠预测指标的实用性。 使用MRI、PET等神经影像学特征进行AD预测具有挑战性,因为数据的高维性质、过拟合和成像方案的可变性。Zhao等人(2020)提出使用MRI作为神经影像学特征,并用GAN模型有效预测疾病。 临床数据在AD预测中的使用导致数据质量的可变性、全面临床记录的有限可用性,以及需要仔细选择特征以从不同的临床措施中提取相关信息,同时解决缺失数据问题。Alzubaidi等人(2023)解释了处理数据稀缺挑战的方法和工具。 AD是一种多因素疾病,整合各种生物标志物,包括遗传、神经影像和生化标志物,可以提高预测准确性。为此,El-Sappagh等人(2021a)演示了涉及神经影像、临床和遗传数据的多模态数据的使用。总之,解决这些方面——增强生物标志物、利用神经影像、结合认知和临床数据、整合多模态数据,构成了改进和推进AD进展预测的途径。 4.4 数据稀缺 数据稀缺是深度学习中的一个主要挑战,它对用于诊断AD的CAD模型有特别严重的影响。DL模型,如CNN和RNN,严重依赖大型和多样化的数据集进行有效训练。特别是在AD诊断的背景下,获得带有良好标记的医疗信息的此类数据集可能极具挑战性。 这种数据的稀缺可能导致几个问题,首先,有限的数据可能导致模型缺乏识别脑扫描或临床数据中细微模式的能力,可能导致模型过拟合-欠拟合,降低模型的诊断准确性。其次,它可能导致模型预测的偏差,因为可用数据不能充分代表整个人群,导致数据不平衡。这些问题阻碍了模型在现实世界中的临床适用性。 为了解决深度学习中的数据稀缺问题,Alzubaidi等人(2023)进行了一项调查,提供了各种解决方案和技巧来解决数据稀缺的挑战。一种这样的解决方案是迁移学习,其中在相关任务上预训练的模型用有限的数据进行微调。Shamrat等人(2023)、AlSaeed和Omar(2022)、Tufail等人(2022)、Balboni等人(2022)、Ghazal和Issa(2022)等都采用TL来解决数据稀缺问题。此外,Zhao等人(2020)、Roychowdhury和Roychowdhury(2020)、Chui等人(2022)和Jung等人(2023)使用生成对抗网络进行合成数据生成。类似地,(Murugan等人2021;El-Sappagh等人2021b)使用合成少数过采样技术(SMOTE)来解决类别不平衡问题。除此之外,与真正的医疗机构合作收集患者数据,同时确保患者隐私和伦理考虑,也是一种可以获得更大数据集的方式。 4.5 模型可解释性 模型可解释性是指理解机器学习模型如何做出决策的能力。它涉及洞察影响模型决策的特征或数据点,这对于AI系统的透明度和信任至关重要。这一挑战之所以出现,是因为深度学习模型,尤其是神经网络等复杂的模型,通常涉及跨多个隐藏层的复杂计算,使得理解模型为何生成某个输出变得具有挑战性。 这种透明度的缺乏可能阻碍临床接受度和决策,因为医疗专业人员需要了解模型做出特定诊断的原因。它还带来了误诊或偏差的潜在风险,因为很难确定模型用于做出预测的特定特征或模式。这将导致临床医生缺乏使用此类模型的信任。这种信任的缺乏可能阻碍AI诊断工具的采用,即使它们显示出有希望的准确率。此外,在医学领域,为诊断提供解释至关重要,以确保患者和医生可以就治疗做出决定。Albahri等人(2023)进行的一项系统综述证明了医疗保健中AI应用的可信赖性和可解释性,包括质量评估、偏差风险和数据融合。 4.6 算法公平性 算法公平性涉及确保AI系统给每个人一个公平的机会,不会无意中偏袒某些群体而不是其他群体,或做出有偏见的决定。在开发AD等疾病的CAD模型时,这是一个关键考虑因素,因为有偏见的预测会导致诊断和治疗的差异。数据稀缺放大了算法公平性的挑战,因为有限的数据导致某些人口群体在训练数据中的代表性不足,使得模型难以学习无偏见的模式。Chen等人(2021)进行的一项研究详细阐述了医学和医疗保健领域AI中的算法公平性。 5 未来方向 在上一节中,我们讨论了从我们的综述中得到的经验教训。在本节中,我们概述了研究人员、工业界和学术界为开发一个稳健的、多模态的、可解释的、准确的用于检测阿尔茨海默病的CAD系统而需要采取的几个未来方向。 1.探索生物标志物 从第3.3节的综述中发现,神经影像学被ML模型广泛用作AD检测的生物标志物。尽管它在诊断过程中发挥着重要作用,但医生目前也使用其他一些生物标志物。它们包括遗传信息、人类活动、生物分子的生物化学、认知评估以及其他。这些生物标志物尚未得到研究界的关注。很难确定一个能精确指示疾病存在的单一生物标志物。需要探索生物标志物的组合以提高诊断准确性。此外,区分正常衰老相关的生物标志物改变和AD特有的生物标志物改变带来了另一个挑战。因此,需要探索AD的其他新生物标志物以进行早期诊断。为此,Yu等人(2021b)、Snoun等人(2023)、Rabbito等人(2020)和Schneider和Goldberg(2020)中提到了一些有希望的方向。 2.特征的识别和提取 由于特征是ML模型学习的最重要因素,因此它们的识别至关重要。收集的数据集包含可能掩盖有意义模式的噪声或不相关信息。挑战在于识别最有信息量的特征,同时消除噪音。并非所有特征在区分健康个体和AD患者方面同等相关。有效的特征选择对于将计算资源集中在最有信息量的属性上至关重要,这些属性有助于准确诊断。由于生物标志物充当特征,因此它们在训练数据集中的映射是必不可少的。局部二值模式(LBP)(Francis等人,2021)、体积分析(Das和Kalita,2022)、灰度共生矩阵(GLCM)(Gao,2021)、基于表面的分析(Zhao等人,2022)、扩散张量成像(DTI)(Torso等人,2021)、CNN(AlSaeed和Omar,2022)等在这个方向上很有鼓励作用。 3.弥合传统ML和DL模型之间的差距 传统ML模型和DL模型之间存在权衡。尽管DL模型在准确性方面优于ML模型,但它们缺乏传统模型所能实现的可解释性。如前所述,不同生物标志物的识别能够实现特征选择,这可以通过传统的ML模型来实现。因此,在早期AD诊断中,传统模型和DL模型的结合非常需要。从综述中可以看出,混合模型优于独立模型。此外,Mohammed等人(2021)、Alatrany等人(2021)、Venugopalan等人(2021)、Janghel和Rathore(2021)、AlSaeed和Omar(2022)以及Puente-Castro等人(2020)中提到了一些在这个方向上值得关注的其他工作。 4.多模态学习:随着新生物标志物的识别,新的诊断方法不时出现。因此,开发整合来自不同模态(例如,成像、脑脊液、基于血液的标志物等)特征的数据融合模型是合适的。在这方面,在传感器融合(Yeong等人,2021)、决策级融合(Gumaei等人,2022)、数据级融合(Zhang等人,2022)、特征级融合(Cai等人,2020)、基于知识的融合(Iakovidou等人,2020)等领域提出了几种数据融合模型,这些模型有助于在这个方向上前进。 除了上述方向外,Jo等人(2019)、Ebrahimighahnavieh等人(2020)、Fathi等人(2022)和Zhao等人(2023)还提到了其他几个挑战及其可能的解决方案。解决这些挑战有助于设计新的技术和模型,使AD的早期检测成为可能,从而改进其治疗策略。 6 结论 AD的早期检测在其治疗策略中起着重要作用。存在许多诊断测试来验证疾病。它们利用了几种生物标志物,即神经影像学、临床、神经心理学评分、遗传学等。这些测试导致了多样化的数据收集,CAD利用这些数据来帮助早期诊断疾病。在这项研究中,我们对现有的最先进的用于AD诊断的CAD方法进行了全面和系统的概述。我们提供了过去5年中采用的几种ML模型的全面列表。我们设计了一种系统的分类方法,通过该方法对现有模型进行了概述。根据使用的诊断方式、采用的数据存储库以及实施的不同类型的模型对CAD模型进行了审查。在整个综述中,我们确立了结合混合和多模态数据的重要性,并强调使用增强和集成的ML模型。此外,通过扩大研究结果的范围和效力,我们的全面调查最终证明,新一代CAD系统必须具备可解释性特征,以与人类同行相关联。虽然传统的ML和DL模型都被用于这一目的,但从我们的综述中可以明显看出,两种类型的ML模型都是必要的,以开发一个稳健的、可解释的、多模态的和准确的CAD系统,用于AD的早期检测。 广州： 北京： 上海： 此处给个“在看”及“点赞”，让更多朋友关注 |
|
|
