Machine learning applications in vascular neuroimaging for the diagnosis and prognosis of cognitive impairment and dementia: a systematic review and meta-analysis
Notice bibliographique
Résumé
ABSTRACT Introduction Machine learning (ML) algorithms using neuroimaging markers of cerebral small vessel disease (CSVD) are a promising approach for classifying cognitive impairment and dementia. Methods We systematically reviewed and meta-analysed studies that leveraged CSVD features for ML-based diagnosis and/or prognosis of cognitive impairment and dementia. Results We identified 75 relevant studies: 43 on diagnosis, 27 on prognosis, and 5 on both. CSVD markers are becoming important in ML-based classifications of neurodegenerative diseases, mainly Alzheimer’s dementia, with nearly 60% of studies published in the last two years. Regression and support vector machine techniques were more common than other approaches such as ensemble and deep-learning algorithms. ML-based classification performed well for both Alzheimer’s dementia (AUC 0.88 [95%-CI 0.85–0.92]) and cognitive impairment (AUC 0.84 [95%-CI 0.74–0.95]). Of 75 studies, only 16 were suitable for meta-analysis, only 11 used multiple datasets for training and validation, and six lacked clear definitions of diagnostic criteria. Discussion ML-based models using CSVD neuroimaging markers perform well in classifying cognitive impairment and dementia. However, challenges in inconsistent reporting, limited generalisability, and potential biases hinder adoption. Our targeted recommendations provide a roadmap to accelerate the integration of ML into clinical practice.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,013 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».