Key points are not available for this paper at this time.
Dans le monde entier, on recense près de 10 millions de nouveaux cas de démence chaque année, dont la maladie d'Alzheimer (MA) est la plus courante. De nouvelles mesures sont nécessaires pour améliorer le diagnostic des personnes souffrant de troubles cognitifs dus à diverses étiologies. Ici, nous rapportons un cadre d'apprentissage profond qui accomplit plusieurs étapes diagnostiques de manière successive pour identifier les personnes avec une cognition normale (CN), un léger trouble cognitif (MTC), une MA et des démences non liées à la MA (nMA). Nous démontrons une gamme de modèles capables d'accepter des combinaisons flexibles d'informations cliniques recueillies de manière routinière, y compris les données démographiques, les antécédents médicaux, les tests neuropsychologiques, les imageries cérébrales et les évaluations fonctionnelles. Nous montrons ensuite que ces cadres se comparent favorablement à la précision diagnostique des neurologues et neuroradiologistes en exercice. Enfin, nous appliquons des méthodes d'interprétabilité en vision par ordinateur pour montrer que les motifs spécifiques à la maladie détectés par nos modèles suivent des schémas distincts de changements dégénératifs à travers le cerveau et correspondent étroitement à la présence de lésions neuropathologiques lors de l'autopsie. Notre travail démontre des méthodologies pour valider les prédictions computationnelles avec des normes établies de diagnostic médical.
Qiu et al. (Mon,) ont étudié cette question.