阿尔茨海默病是一种进行性神经退行性疾病，正日益成为全球公共卫生的重大挑战。早期准确诊断对于有效治疗、临床试验参与和疾病管理至关重要。本系统性综述与荟萃分析评估了使用神经影像学和临床数据检测阿尔茨海默病(AD)和轻度认知障碍(MCI)的机器学习(ML)和深度学习(DL)算法的诊断性能。相关研究从PubMed、IEEE Xplore和arXiv(2015–2025年)中筛选获得。应用随机效应模型估计汇总性能指标(AUC、敏感性、特异性和F1分数)，亚组分析则按模型类型、成像方式和验证策略比较结果。共有30项研究符合纳入标准，涵盖了不同的诊断方法、数据集和模型架构。汇总的受试者工作特征曲线下面积(AUC)为0.962，表明整体判别准确性较高。然而，仅依赖内部验证或使用预处理技术处理小数据集的研究往往报告了被夸大的指标，暗示可能存在过拟合和乐观偏倚。总之，机器学习和深度学习方法在早期阿尔茨海默病检测中展现出巨大潜力，但要实现临床实际应用，需要标准化的评估协议和全面的外部验证测试。
利益冲突声明
作者声明不存在利益冲突。
作者声明
我确认已遵循所有相关伦理指南，并已获得必要的IRB和/或伦理委员会批准。
是
提供批准或豁免本研究的IRB/监督机构的详细信息如下：
本系统性综述与荟萃分析仅使用先前已发表的同行评审研究中的数据。未收集或访问任何原始患者数据。所有源研究均来自公开可用或机构批准的数据集(主要是ADNI和OASIS)。研究级别的性能指标(AUC、敏感性、特异性、F1分数)均从通过PubMed、IEEE Xplore和arXiv识别的已发表手稿中提取。所有源出版物均在参考文献列表中引用。ADNI数据可通过以下网址访问：adni.loni.usc.edu。OASIS数据可通过以下网址访问：oasis-brains.org。
我确认已获得所有必要的患者/参与者同意，并已归档适当的机构表格，且任何包含的患者/参与者/样本标识符均不为研究组外任何人(如医院工作人员、患者或参与者本人)所知，因此不能用于识别个体。
是
我确认了解所有临床试验和任何其他前瞻性干预研究必须在ICMJE批准的注册机构(如ClinicalTrials.gov)进行注册。我确认手稿中报告的任何此类研究均已注册，并提供了试验注册ID(注：如果发布事后注册的前瞻性研究，请在试验ID字段中提供解释为何未提前注册的声明)。
是
我已遵循所有适当的研究报告指南，例如任何相关的EQUATOR Network研究报告清单和其他相关材料(如适用)。
是
数据可用性
本研究产生的所有数据均包含在稿件中。提取的研究级数据和R分析脚本已在开放科学框架项目存储库中公开。
osf.io/asy2j/overview
github.com/sakisaki-dev/Deep-Learning-for-Early-Detection-of-Alzheimer-s-Disease-Meta-Analysis-
缩写词表
AD：阿尔茨海默病
MCI：轻度认知障碍
ML：机器学习
DL：深度学习
AUC/AUC-ROC：受试者工作特征曲线下面积
MRI：磁共振成像
PET：正电子发射断层扫描
EEG：脑电图
CI：置信区间
AI：人工智能
CN：认知正常患者
SMOTE：合成少数类过采样技术
SSMI：基于相似性的模态整合
Sens：敏感性
Spec：特异性
TP：真阳性
TN：真阴性
FN：假阴性
FP：假阳性
【全文结束】
