Random-Forest-Algorithmus zur Klassifikation von Neuroimaging-Daten bei Alzheimer-Krankheit: Eine systematische Übersichtsarbeit

Ziel: Die Klassifikation durch maschinelles Lernen war in den letzten Jahren die wichtigste computergestützte Entwicklung, um den primären Bedarf der Kliniker an automatischer frühzeitiger Diagnose und Prognose zu erfüllen. Heutzutage wurde der Random-Forest (RF)-Algorithmus erfolgreich angewendet, um hochdimensionale und multi-quellige Daten in vielen wissenschaftlichen Bereichen zu reduzieren. Unser Ziel war es, den Stand der Technik bei der Anwendung von RF auf ein- und multimodale Neuroimaging-Daten zur Vorhersage der Alzheimer-Krankheit zu untersuchen. Methoden: Eine systematische Übersichtsarbeit gemäß PRISMA-Richtlinien wurde in diesem Forschungsbereich durchgeführt. Insbesondere haben wir eine erweiterte Abfrage unter Verwendung von booleschen Operatoren wie folgt konstruiert: ("random forest" ODER "random forests") UND Neuroimaging UND ("alzheimer's disease" ODER alzheimer's ODER alzheimer) UND (Vorhersage ODER Klassifikation). Die Abfrage wurde dann in vier bekannten wissenschaftlichen Datenbanken gesucht: Pubmed, Scopus, Google Scholar und Web of Science. Ergebnisse: Zwölf Artikel, veröffentlicht zwischen 2007 und 2017, wurden nach einer quantitativen und qualitativen Auswahl in diese systematische Übersichtsarbeit aufgenommen. Die Lehre aus diesen Arbeiten legt nahe, dass, wenn RF auf multimodale Daten zur Vorhersage der Alzheimer-Krankheit (AD) -Umwandlung von mildem kognitivem Defizit (MCI) angewendet wurde, es eine der besten Genauigkeiten bis heute erzielt. Darüber hinaus bietet RF bedeutende Vorteile in Bezug auf die Robustheit gegenüber Überanpassung, die Fähigkeit, hochgradig nichtlineare Daten zu verarbeiten, die Stabilität in Gegenwart von Ausreißern und die Möglichkeit einer effizienten parallelen Verarbeitung, insbesondere wenn es auf multimodale Neuroimaging-Daten angewendet wird, wie z. B. MRT-Morphometrie, Diffusions-Tensor-Bildgebung und PET-Bilder. Fazit: Wir haben die Stärken von RF erörtert, auch mögliche Einschränkungen berücksichtigt und weitere Studien zum Vergleich dieses Algorithmus mit anderen gängigen Klassifikationsansätzen angeregt, insbesondere in der frühen Vorhersage des Fortschreitens von MCI zu AD.