What question did this study set out to answer?

Diese Überprüfung bewertet KI-Methoden, die die Umwandlung von milden kognitiven Beeinträchtigungen in Alzheimerkrankheit vorhersagen.

April 10, 2026Open Access

Künstliche Intelligenz zur Vorhersage der Umwandlung von milden kognitiven Beeinträchtigungen in Alzheimerkrankheit: Eine systematische Übersicht über Fortschritte, Herausforderungen und klinische Implikationen

Key Result

Modelle des tiefen Lernens übertrafen herkömmliches maschinelles Lernen bei der Vorhersage der Umwandlung von milden kognitiven Beeinträchtigungen in Alzheimerkrankheit und erzielten AUCs zwischen 0,85 und 0,92.

Key Points

Diese Überprüfung bewertet KI-Methoden, die die Umwandlung von milden kognitiven Beeinträchtigungen in Alzheimerkrankheit vorhersagen.
Durchführung einer systematischen Überprüfung gemäß den PRISMA-Richtlinien.
Einschluss von begutachteten Studien, die zwischen Januar 2020 und März 2025 veröffentlicht wurden.
Fokus auf KI-Ansätze, die Neuroimaging, Biomarker und kognitive Bewertungen nutzen.
Modelle des tiefen Lernens, insbesondere konvolutionale neuronale Netze, erreichten AUCs zwischen 0,85 und 0,92.
Multimodale KI-Modelle zeigten eine höhere Vorhersagekraft als traditionelle Methoden.
Herausforderungen umfassten kleine Stichprobengrößen und begrenzte externe Validierung, die die Generalisierbarkeit beeinträchtigen.

Study Design

Type

Andere

Multicenter

Structured PICO

Verbessern KI-Modelle die Vorhersage der Umwandlung von milden kognitiven Beeinträchtigungen in Alzheimerkrankheit im Vergleich zu traditionellen Methoden?

Population

20 Studien zur Bewertung von KI zur Vorhersage der Umwandlung von milden kognitiven Beeinträchtigungen (MCI) in Alzheimerkrankheit (AD) unter Verwendung von Neuroimaging, Biomarkern oder multimodalen Rahmenbedingungen.

Intervention

Modelle der künstlichen Intelligenz (KI) (einschließlich tiefes Lernen, konvolutionale neuronale Netze und multimodale Rahmenbedingungen).

Comparator

Traditionelle maschinelle Lernansätze.

Outcome

Vorhersage der MCI-zu-AD-Umwandlung (gemessen an Genauigkeit, AUC, Sensitivität oder Spezifität).surrogate

Modelle des tiefen Lernens und multimodale KI-Modelle zeigen hohe Genauigkeit (AUC 0,85-0,92) bei der Vorhersage der MCI-zu-AD-Umwandlung, obwohl eine externe Validierung für die klinische Integration erforderlich ist.

Main Result

Absolute Event Rate: 0% vs 0%

Abstract

Zusammenfassung Die Alzheimerkrankheit (AD) ist ein zunehmendes globales Gesundheitsproblem, wobei milde kognitive Beeinträchtigung (MCI) als Übergangsphase erkannt wird. Eine rechtzeitige Vorhersage der MCI-zu-AD-Umwandlung erlaubt frühere klinische Interventionen, jedoch fehlt es herkömmlichen Methoden an Sensitivität. Modelle der künstlichen Intelligenz (KI) bieten eine verbesserte Genauigkeit durch die Nutzung von Neuroimaging, Biomarkern und kognitiven Bewertungen. Diese systematische Überprüfung hatte zum Ziel, die jüngsten Fortschritte in KI-basierten Ansätzen zur Vorhersage der MCI-zu-AD-Umwandlung zu bewerten, wichtige methodische Trends zu identifizieren, klinische Implikationen hervorzuheben und Einschränkungen sowie zukünftige Richtungen zu diskutieren. Bei der Durchführung der systematischen Überprüfung wurden die „Preferred Reporting Items for Systematic Reviews and Meta-Analyses“-Standards befolgt. Studien, die zwischen Januar 2020 und März 2025 veröffentlicht wurden, wurden aus PubMed und Google Scholar abgerufen. Zu den Einschlusskriterien gehörten begutachtete Artikel, die KI zur Vorhersage der MCI-zu-AD-Umwandlung unter Verwendung von Neuroimaging, Biomarkern oder multimodalen Rahmenbedingungen nutzen und Genauigkeit, Bereich unter der Kurve (AUC), Sensitivität oder Spezifität berichten. Interpretierbarkeit und Vorhersageleistung gehörten zu den bewerteten Ergebnissen. Die QUADAS-2-Technik wurde verwendet, um die Qualität der Studie zu bewerten. Zwanzig Studien erfüllten die Einschlusskriterien. Modelle des tiefen Lernens, insbesondere konvolutionale neuronale Netze, übertrafen konsequent traditionelle maschinelle Lernansätze und erzielten AUCs zwischen 0,85 und 0,92. Multimodale KI-Modelle, die Magnetresonanztomographie, Positronen-Emissions-Tomographie, Biomarker und kognitive Daten integrierten, zeigten eine höhere Vorhersagekraft. Der Einsatz erklärbarer KI-Methoden wie Grad-CAM und Shapley-additive Erklärungen erhöhte die Transparenz. Viele Studien waren jedoch durch kleine Stichprobengrößen und fehlende externe Validierung eingeschränkt, was die Generalisierbarkeit beeinträchtigte. KI hat viel Potenzial für die frühe Diagnose und Prognose von AD. Dennoch bestehen Herausforderungen bei der Datenstandardisierung, Modellverzerrung und der klinischen Implementierung. Zukünftige Forschung sollte sich auf die multizentrische Validierung, die Einhaltung von Vorschriften und die Schulung von Klinikern konzentrieren, um die Integration in die routinemäßige Demenzversorgung zu ermöglichen.