《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》：Deep Convolutional Neural Networks in Neurological Disorders Diagnosis: Comprehensive Review of Cutting-Edge Architectures, Challenges, and Future Directions
编辑推荐：
神经疾病诊断中深度学习模型的研究进展：系统回顾133项研究，发现DCNN（如ResNet、U-Net）在神经影像分析中占主导地位，轻量级CNN主要依赖EEG检测肿瘤和阿尔茨海默病，Transformer模型则结合多模态数据（影像、EEG、行为）处理复杂病例，但遗传、语言等多维度数据应用不足。重点分析预处理、数据融合及后处理技术，提出扩大数据类型和应用场景的建议。
摘要
神经疾病的日益普遍给医疗系统带来了重大挑战，需要早期、准确的诊断以实现有效的治疗和管理。尽管深度学习展现出巨大潜力，但针对不同数据类型和模式的现代架构进行全面比较仍然有限。本研究旨在通过系统地回顾基于深度学习的神经疾病诊断的最新进展来填补这一空白。该综述重点关注深度卷积神经网络（DCNNs）、轻量级CNNs和基于Transformer的模型，并采用PRISMA方法对133篇经过同行评审的研究进行了识别和分析。其中，95篇研究集中在六种主要的DCNN架构上——AlexNet、U-Net、ResNet、CapsNet、DenseNet和EfficientNet；16篇研究探讨了轻量级CNNs；22篇研究调查了基于Transformer的模型。DCNN架构被用于诊断各种神经疾病，而轻量级CNNs主要利用神经影像学和EEG数据来检测脑肿瘤、阿尔茨海默病、自闭症和癫痫。基于Transformer的架构则针对阿尔茨海默病、精神分裂症、中风、癫痫和脑肿瘤等疾病，使用神经影像学、EEG和行为数据，但对其他疾病的研究较少。神经影像学是最常见的数据类型，出现在73篇DCNN研究中，其次是EEG数据（18篇研究），面部、语音、行为和遗传数据的使用相对较少。该研究还详细分析了神经影像学和信号数据的预处理技术、融合策略以及诊断所需的后期处理方法——这些领域在以往的综述中常常被忽视。研究结果强调了神经影像学的主导地位，并提出了多样化数据类型、融合策略和未充分探索的模型的机会。
神经疾病的日益普遍给医疗系统带来了重大挑战，需要早期、准确的诊断以实现有效的治疗和管理。尽管深度学习展现出巨大潜力，但针对不同数据类型和模式的现代架构进行全面比较仍然有限。本研究旨在通过系统地回顾基于深度学习的神经疾病诊断的最新进展来填补这一空白。该综述重点关注深度卷积神经网络（DCNNs）、轻量级CNNs和基于Transformer的模型，并采用PRISMA方法对133篇经过同行评审的研究进行了识别和分析。其中，95篇研究集中在六种主要的DCNN架构上——AlexNet、U-Net、ResNet、CapsNet、DenseNet和EfficientNet；16篇研究探讨了轻量级CNNs；22篇研究调查了基于Transformer的模型。DCNN架构被用于诊断各种神经疾病，而轻量级CNNs主要利用神经影像学和EEG数据来检测脑肿瘤、阿尔茨海默病、自闭症和癫痫。基于Transformer的架构则针对阿尔茨海默病、精神分裂症、中风、癫痫和脑肿瘤等疾病，使用神经影像学、EEG和行为数据，但对其他疾病的研究较少。神经影像学是最常见的数据类型，出现在73篇DCNN研究中，其次是EEG数据（18篇研究），面部、语音、行为和遗传数据的使用相对较少。该研究还详细分析了神经影像学和信号数据的预处理技术、融合策略以及诊断所需的后期处理方法——这些领域在以往的综述中常常被忽视。研究结果强调了神经影像学的主导地位，并提出了多样化数据类型、融合策略和未充分探索的模型的机会。
