Artificial intelligence and neurodegeneration: state of the art and explainability.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Arka planAlzheimer hastalığı (AD) ve Parkinson hastalığı (PD), yüzyılımızda artan bir sağlık sorunu ve artan sakatlık nedenidir. Yapay zeka (AI) çağının ortaya çıkması ve nörodejeneratif hastalıklarda tespit edilen retina ve optik sinir morfolojisindeki erken değişiklikler, her iki durum için de AI tabanlı bir tanının perspektifine yol açtı.Ana gövde AD'de maküler Ganglion Hücrelerinde genelleştirilmiş bir azalma-İçsel Pleksiform Katmanı (GC-IPL) ve retina sinir lif tabakası (RNFL) ve peripailler RENFL kalınlığı belgelenmiştir. Dahası, klinik AD daha düşük koroidal kalınlık ve daha yüksek koroidal vaskülarite indeksi ile karakterizedir. AI, küçük fundus damarları özelliklerine dayanarak yaklaşık% 80 doğrulukla tahmin edilebilir. Benzer şekilde, Optik Koherans Tomografisi (OCT) görüntülerine dayanan AI, AD'nin tespitinde, özellikle toplam maküler hacim (TVM) ve GCL kalınlığına göre çok iyi performans gösterdi. OCT ve renkli fundus fotoğraflarının (CFP) bir kombinasyonu MCI tespitinde %85 doğruluk payına ulaştı. PD tipik retina anomalilerinde, mitokondriyal optik nöropatilerinkine benzer bir dejenerasyon paterni, foveal çukur genişlemesi, genelleştirilmiş retina ve retina pigmentli epitel incelmesi ve dış pleksiform tabaka kalınlaşması ile peripailler RNFL'nin genelleştirilmiş incelmesini içerir. AI CFP tabanlı PD tespiti, düşük özgüllük nedeniyle sadece %65 doğruluk gösterirken, multimodal görüntüleme tabanlı AI en iyi yaklaşımdı,% 100 hassasiyet ve% 85 özgüllüğe ulaştı.Genel olarak çok iyi performans göz önüne alındığında, AD ve PD'nin erken tanı için retina görüntüleme tabanlı AI desteğinden yararlanması muhtemeldir. Performansı optimize etmek için, özellikle özgüllük açısından, multimodal görüntülemenin kullanımı ve meta-verilerle olası entegrasyonun, özellikle PD tanısı için en iyi teknik olduğu gösterilmiştir. Bununla birlikte, genel popülasyona başvurmadan önce daha büyük bir örneklem boyutu ve seçilen modellerin boylamsal değerlendirmesi üzerine eğitim ve test yapılması gerekecektir. Şimdiye kadar, önerilen modellerin açıklanabilirliği, ilgili merkezi sinir sistemi hasarı ile sağlam ve tutarlı görünmektedir.

Özgün kaynak özetini okuyun

BackgroundAlzheimer disease (AD) and Parkinson disease (PD) are an increasing healthcare concern and growing cause of disability in our century. The advent of the artificial intelligence (AI) era and the early changes in retina and optic nerve morphology detected in neurodegenerative diseases by recent literature opened the way to the perspective of a AI-based diagnosis for both conditions.Main bodyIn AD a generalized decrease in macular Ganglion Cells-Inner Plexiform Layer (GC-IPL) and retinal nerve fiber layer (RNFL) and peripapillary RNFL thickness has been documented. Moreover, clinical AD is characterized by a lower choroidal thickness and higher choroidal vascularity index. AI can be predicted with around 80% accuracy based on small fundus vessels characteristics. Similarly, AI based on Optical Coherence Tomography (OCT) images showed very good performance in detecting AD, especially based on total macular volume (TVM) and GCL thickness. A combination of OCT and color fundus photographs (CFP) imaging reached 85% accuracy in detecting MCI. In PD typical retinal anomalies include a generalized thinning of the peripapillary RNFL with a degeneration pattern similar to the one of mitochondrial optic neuropathies, foveal pit widening, generalized retinal and retinal pigmented epithelium thinning and outer plexiform layer thickening. AI CFP-based detection of PD showed only 65% accuracy due to a low specificity, while multimodal imaging-based AI was the best approach, reaching a 100% sensitivity and 85% specificity.ConclusionIn consideration of the overall very good performance, AD and PD are likely to benefit from the support of retinal-imaging based AI for early diagnosis. To optimize the performance, especially in terms of specificity, the use of multimodal imaging and possible integration with meta-data has been demonstrated to be the best technique, especially for PD diagnosis. However, training and testing on a larger sample size and longitudinal evaluation of the chosen models will be needed before application on general population. So far, explainability of the proposed models seems robust and coherent with the corresponding central nervous system damage.

Bilimsel değerlendirme

Araştırma sorusu

Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.

Yöntem ve örneklem

Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.

Temel bulgular

Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.

Sınırlılıklar

Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.

Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.