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
BACKGROUND: Cerebral small vessel disease (CSVD) is a common neurological condition that contributes to strokes, dementia, disability, and mortality worldwide. We conducted a systematic review and meta-analysis to investigate the use of neuroimaging CSVD markers in machine learning (ML) based diagnosis and prognosis of cognitive impairment and dementia, and identify both methodological changes over time and barriers to clinical translation. METHODS: Following the PRISMA guidelines, we systematically searched for original studies that used both neuroimaging CSVD markers and ML methods for diagnosing and prognosing neurodegenerative diseases (preregistration in PROSPERO: CRD42022366767). Each paper was independently reviewed by a pair of reviewers at all stages, with a third consulted to resolve conflicts. We meta-analysed the effectiveness of ML models to distinguish healthy controls from Alzheimer’s dementia and cognitive impairment, using area under the curve (AUC) as the performance metric. RESULTS: We identified 75 studies: 43 on diagnosis, 27 on prognosis, and 5 on both. Nearly 60% of studies were published in the past two years, reflecting a growing interest in using CSVD markers in ML-based diagnosis and prognosis of neurodegenerative diseases, especially Alzheimer’s dementia. This rising interest may be linked to the strong performance of such models: according to our meta-analysis, ML approaches using CSVD markers perform well in differentiating healthy controls from Alzheimer’s dementia (AUC 0.88 [95%-CI 0.85–0.92]) and cognitive impairment (AUC 0.84 [95%-CI 0.74–0.95]). However, the growing interest has not been matched by methodological rigour: only 16 studies met the criteria for inclusion in the meta-analysis due to inconsistent reporting, only five assessed the generalisability of their models on external datasets, and six lacked clear diagnostic criteria. CONCLUSIONS: Interest in incorporating CSVD markers into ML models for neurodegenerative disease classification is on the rise, and their performance suggests that this is worth further exploration. Serious methodological issues, including inconsistent reporting, limited generalisability testing, and other potential biases, are unfortunately common and hinder further 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 | 0,028 | 0,072 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,015 | 0,036 |
| Bibliométrie | 0,006 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».