Deep Learning in neuroimaging for neurodegenerative diseases: State-of-the art, Challenges, and Opportunities
Notice bibliographique
Résumé
Neuroimaging is commonly used to diagnose neurodegenerative diseases (NDDs), providing crucial insights into brain changes before clinical symptoms manifest. Deep learning (DL) for neuroimaging can improve early diagnosis and disease monitoring. Clinical implementation of DL faces challenges in accurately representing real-world data. Recent models, particularly those focused on diagnostic categorization, have achieved high accuracy, but their applicability to patients is limited. Conflicting inferences have been reported, with findings from small cohorts generalizing conclusions without considering inter-scanner, intra- and inter-site variations. A theoretically feasible method involves gathering a comprehensive dataset that encompasses all patient demographics, but this presents practical challenges including harmonization, data incompleteness, class imbalance, and substantial costs. Existing research has also mostly focused on common NDDs like Alzheimer's Disease (AD) and Parkinson's Disease (PD). This contribution expands the literature by looking at a wider range of NDDs, exploring the latest advancements in applying deep learning algorithms to neuroimaging analysis for the diagnosis and monitoring of NDDs, including AD, Frontotemporal Dementia (FTD), Lewy Body Dementia, PD, Huntington's Disease, Amyotrophic Lateral Sclerosis, and Multiple Sclerosis. We emphasize how these approaches are handling spatial/temporal information available in brain volume imaging data. We conclude by discussing the challenges associated with the use of voxel-based, patch-based, ROI-based, and slice-based approaches in brain volume imaging. These challenges are further compounded by issues such as inter-site and inter-scanner variability, class imbalances in medical datasets, and the scarcity of accurately annotated data, all of which impact the performance and generalizability of deep learning models.
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 | 0,006 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».