Машинное обучение и глубокое обучение в клинической практике: расширение диагностики нейродегенеративных заболеваний с помощью мультимодальных маркеров.

Нейродегенеративные заболевания, включая болезнь Альцгеймера, болезнь Паркинсона, болезнь Хантингтона и множественный склероз, представляют собой серьезные глобальные проблемы в области здравоохранения из-за их прогрессивной и неизлечимой природы. Ранняя и точная диагностика имеет решающее значение для медленного развития заболеваний и оптимизации терапевтического вмешательства, однако традиционные диагностические подходы, такие, как нейроимация, биомаркерирование цереброспиновой жидкости и клиническая оценка зачастую являются неадекватными на продромальной стадии. Последние достижения в области искусственного интеллекта, особенно машинного обучения (ML), открыли новые возможности для точной диагностики и лечения в неврологии с использованием больших данных и мультимодальных биомаркеров. Применение ML к данным нейроимации, электрофизиологии, поведенческих функций, анализа речи и почерка, а также молекулярных биомаркеров продемонстрировало многообещающее улучшение диагностической точности, классификации пациентов и терапевтических рекомендаций. Однако сохраняются серьезные проблемы, включая неоднородность данных, интерпретируемость моделей, разнообразие населения и этические проблемы, связанные с неприкосновенностью частной жизни пациентов. Цель настоящего обзора заключается в изучении текущих видов применения ML в диагностике и лечении нейродегенеративных заболеваний с помощью различных данных, выявлении его сильных и слабых сторон и обсуждении будущих направлений использования этих подходов в клинической практике. Мы также намечаем новые направления, включая мультимодальное слияние с продольными данными, обучение на федеративной основе и с сохранением конфиденциальности, а также потенциал объяснимых АИ (XAI) и крупных языковых моделей (LLM) в поддержку клинических решений.