Apprentissage profond et neurologie: une revue systématique

Aperçu: G.M.

Déchiffrer le volume massif de données électroniques complexes compilées par les systèmes hospitaliers au cours des dernières décennies pourrait révolutionner la médecine moderne et présenter de grands défis. L'apprentissage en profondeur est particulièrement bien adapté pour relever ces défis, et les récents progrès réalisés dans les techniques et le matériel ont propulsé le domaine de l'apprentissage automatique médicale en vue d'une croissance transformationnelle. Les neurosciences cliniques sont particulièrement bien placées pour tirer parti de ces avancées compte tenu de la présentation subtile des symptômes typiques de la maladie neurologique. 

Nous passons ici en revue les différents domaines dans lesquels les algorithmes d'apprentissage en profondeur ont déjà donné l'impulsion à des domaines de changement, tels que l'analyse d'images médicales pour améliorer le diagnostic de la maladie d'Alzheimer et la détection précoce d'événements neurologiques aigus; segmentation d'images médicales pour l'évaluation quantitative de la neuroanatomie et du système vasculaire; cartographie du connectome pour le diagnostic de la maladie d'Alzheimer, des "troubles du spectre de l'autisme" et du déficit d'attention avec hyperactivité ; et extraction de signaux d'électroencéphalogramme microscopiques et de signatures génétiques granulaires. 

Nous notons en outre d’importants défis dans l’intégration d’outils d’apprentissage en profondeur en milieu clinique et discutons des obstacles à la résolution des problèmes actuels.

Neurol Ther. 2019 Aug 21. doi: 10.1007/s40120-019-00153-8.

Deep Learning and Neurology: A Systematic Review

Valliani AA¹, Ranti D¹, Oermann EK².

Author information

1

Department of Neurological Surgery, Mount Sinai Health System, 1 Gustave Levy Pl, New York, NY, 10029, USA.

2

Department of Neurological Surgery, Mount Sinai Health System, 1 Gustave Levy Pl, New York, NY, 10029, USA. eric.oermann@mountsinai.org.

Abstract

Deciphering the massive volume of complex electronic data that has been compiled by hospital systems over the past decades has the potential to revolutionize modern medicine, as well as present significant challenges. Deep learning is uniquely suited to address these challenges, and recent advances in techniques and hardware have poised the field of medical machine learning for transformational growth. The clinical neurosciences are particularly well positioned to benefit from these advances given the subtle presentation of symptoms typical of neurologic disease. Here we review the various domains in which deep learning algorithms have already provided impetus for change-areas such as medical image analysis for the improved diagnosis of Alzheimer's disease and the early detection of acute neurologic events; medical image segmentation for quantitative evaluation of neuroanatomy and vasculature; connectome mapping for the diagnosis of Alzheimer's, autism spectrum disorder, and attention deficit hyperactivity disorder; and mining of microscopic electroencephalogram signals and granular genetic signatures. We additionally note important challenges in the integration of deep learning tools in the clinical setting and discuss the barriers to tackling the challenges that currently exist.

PMID:31435868

DOI:10.1007/s40120-019-00153-8