Objetivo
El aprendizaje automático (ML) se ha aplicado para desarrollar clasificadores de diagnóstico basados en imágenes por resonancia magnética (IRM) para el trastorno por déficit de atención/hiperactividad (TDAH). Esta revisión sistemática examina esta literatura para aclarar su importancia clínica y evaluar las implicaciones de los diversos métodos analíticos aplicados.
Métodos
Se realizó una búsqueda bibliográfica exhaustiva sobre clasificadores de diagnóstico basados en resonancia magnética para el TDAH y se recopilaron datos sobre los modelos y muestras utilizados.
Resultados
Encontramos que, aunque la mayoría de los estudios informaron las precisiones de la clasificación, variaron en la elección de las modalidades de resonancia magnética, los modelos de ML, los métodos de prueba y validación cruzada y los tamaños de muestra.
Descubrimos que las precisiones de los métodos de validación cruzada inflaron la estimación del rendimiento en comparación con las de una prueba retenida, lo que comprometió la generalización del modelo.
Las precisiones de las pruebas aumentaron con el año de publicación, pero no se asociaron con el tamaño de las muestras de entrenamiento. La precisión mejorada de la prueba con el tiempo probablemente se debió al uso de mejores métodos de ML junto con estrategias para lidiar con los desequilibrios de datos.
Conclusión
En última instancia, grandes conjuntos de datos de imágenes multimodales y, potencialmente, la combinación con otros tipos de datos, como datos cognitivos y/o genéticos, serán esenciales para lograr el objetivo de desarrollar herramientas de clasificación de imágenes clínicamente útiles para el TDAH en el futuro.
Para acceder al texto completo consulte las características de suscripción de la fuente original:https://journals. sagepub. com/
