关于本研究主题
背景
人工智能和机器学习在认知衰退和神经退行性疾病领域的应用已迅速发展，研究通常报告令人印象深刻的准确性、敏感性和特异性指标。然而，在基准数据集上表现优异的模型与真正可转化为临床实践的工具之间存在一个关键差距。本研究主题挑战了当前主要通过汇总最终指标来评估AI系统的范式，呼吁从根本上转向理解和报告学习动态，即模型在与临床相关的衰老、认知衰退和痴呆环境中获取、表示和泛化知识的过程。特别是，本研究主题关注那些推进对与年龄相关的认知衰退和神经退行性疾病的理解、评估、预后或临床管理的AI和机器学习研究。
在医学领域，利害关系远不止于统计性能。生命、生活质量以及临床决策都依赖于稳健、可解释且基于有意义的生理或病理模式的AI系统。一个通过算法捷径（如利用数据泄露、数据集伪影、人口统计学混杂因素或虚假相关性）实现高准确率的模型，在应用于真实世界患者群体时价值有限。更糟糕的是，如果在没有严格评估模型如何以及为何得出预测的情况下部署这些模型，可能会造成危害。因此，本研究主题旨在将临床适用性置于统计性能之上，强调转化相关性、基于神经解剖学、认知领域、疾病进展或脑衰老和神经退行性相关机制的可解释性，以及对稳健性、泛化性和故障模式的严格评估。
本研究主题的范围仅限于提供与衰老和痴呆相关神经退行性变中的认知衰退明确相关的研究，并且通过分析学习行为、稳健性、可解释性、临床效用或故障模式，超越最终汇总指标。我们欢迎涉及但不限于以下主题的文章：
- 阿尔茨海默病、帕金森病、轻度认知障碍和其他痴呆症的深度学习模型中的学习动态
- 神经影像学、认知评估和基于生物标志物的AI模型中捷径学习的检测与缓解
- 针对认知衰退应用的课程学习、迁移学习和持续学习策略
- 具有明确临床相关性的可解释和可解释AI方法
- 前瞻性验证研究和现实世界部署评估
- 跨越影像学、遗传学、临床数据和数字生物标志物的多模态学习动态
- 认知衰退AI中的公平性、偏见检测和人口统计稳健性
- 现有以性能为中心的评估实践的批判和元分析
为保持高水平的科学和临床严谨性，提交的稿件应采用超越简短筛查工具（例如MMSE、MoCA）的认知评估和/或模型验证措施，除非有充分证据证明其在研究背景中的充分性和相关性。同样，模型验证应超越汇总性能指标，通过展示健康的学习动态（例如针对个体数据子集的按轮次学习曲线），提供泛化性和稳健性的证据。虽然欢迎外部验证，但并非严格要求；真正的外部数据集并不总是可用，即使可用，也可能与训练数据并非真正独立。因此，内部学习行为的透明报告对于建立模型可信度和临床适用性至关重要。
我们鼓励提交的稿件超越在基准数据集上报告汇总性能指标，同时考虑学习行为、稳健性和临床适用性。主要关注方法论的研究应证明与衰老神经科学、神经退行性或临床认知衰退的明确相关性，以便与本研究主题的目标保持一致。
主题编辑Dr. Dyrba从德国汉堡欧洲远程大学（Euro-FH）获得讲课酬金。主题编辑Dr. Toma声明无利益冲突。
文章类型与费用
本研究主题接受以下文章类型，除非研究主题描述中另有规定：
- 简要研究报告
- 数据报告
- 社论
- FAIR²数据
- FAIR²数据直接提交
- 一般评论
- 假设与理论
- 方法
- 简要综述
由外部编辑经过严格同行评审后接受发表的文章将向作者、机构或资助者收取出版费用。
关键词：认知衰退，阿尔茨海默病，轻度认知障碍，机器学习，深度学习，学习动态，捷径学习，可解释AI，临床转化，外部验证
重要提示：对本研究主题的所有贡献必须符合其提交的版块和期刊的范围，如其使命声明中所定义。Frontiers保留将超出范围的手稿引导至更合适的版块或期刊的权利，无论是在同行评审的任何阶段。
【全文结束】
