NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Son yıllarda, nörogörüntüleme Parkinson hastalığının (PD) teşhisi için objektif bir yöntem olarak giderek daha fazla kullanılmaktadır. Önceki çalışmaların çoğu invaziv görüntüleme yöntemlerine veya ideal bir teşhis aracı olmayan tek bir modaliteye dayanıyordu. Bu çalışmada, çeşitli modallerin avantajlarını entegre ederek erken PD tanısında kullanılmak üzere invaziv olmayan bir teknoloji geliştirdik.Materyaller ve yöntemlerBu çalışmaya on dokuz erken PD hastası ve yirmi yedi normal gönüllü katıldı. Her konu için, dinlenme durumu fonksiyonel manyetik rezonans görüntüleme (rsfMRI) ve yapısal görüntüler topladık. RsfMRI görüntüleri için karakteristikleri üç farklı seviyede çıkardık: ALFF (düşük frekanslı dalgalanmaların büyüklüğü), ReHo (bölgesel homojenlik) ve RFCS (bölgesel fonksiyonel bağlantı gücü). Yapısal görüntüler için, hacim özelliklerini gri maddeden (GM), beyaz maddeden (WM) ve beyin omurilik sıvısından (CSF) çıkardık. Özellik seçimi için iki örnek t-testi kullanıldı ve daha sonra kalan özellikler sınıflandırma için kaynaştı. Son olarak, erken PD hastaları ve normal kontrol denekleri için bir sınıflandırıcı destek vektör makinesi eğitiminden tespit edildi. Sınıflandırıcının performansı leave-one-out çapraz doğrulama yöntemi kullanılarak değerlendirildi.SonuçlarVeri setini sınıflandırmak için önerilen yöntemleri kullanarak, iyi sonuçlar (doğruluk = 86.96%, duyarlılık = 78.95%, özgüllük = 92.59%) elde edildi.SonuçlarBu yöntem, çeşitli görüntüleme yöntemlerinden gelen bilgilerin entegrasyonu ile umut verici bir tanı performansı göstermektedir ve klinik tedavinin iyileştirilmesi ve tanının konması için potansiyel göstermektedir.
Özgün kaynak özetini okuyun
BackgroundIn recent years, neuroimaging has been increasingly used as an objective method for the diagnosis of Parkinson's disease (PD). Most previous studies were based on invasive imaging modalities or on a single modality which was not an ideal diagnostic tool. In this study, we developed a non-invasive technology intended for use in the diagnosis of early PD by integrating the advantages of various modals.Materials and methodsNineteen early PD patients and twenty-seven normal volunteers participated in this study. For each subject, we collected resting-state functional magnetic resonance imaging (rsfMRI) and structural images. For the rsfMRI images, we extracted the characteristics at three different levels: ALFF (amplitude of low-frequency fluctuations), ReHo (regional homogeneity) and RFCS (regional functional connectivity strength). For the structural images, we extracted the volume characteristics from the gray matter (GM), the white matter (WM) and the cerebrospinal fluid (CSF). A two-sample t-test was used for the feature selection, and then the remaining features were fused for classification. Finally a classifier for early PD patients and normal control subjects was identified from support vector machine training. The performance of the classifier was evaluated using the leave-one-out cross-validation method.ResultsUsing the proposed methods to classify the data set, good results (accuracy = 86.96%, sensitivity = 78.95%, specificity = 92.59%) were obtained.ConclusionsThis method demonstrates a promising diagnosis performance by the integration of information from a variety of imaging modalities, and it shows potential for improving the clinical diagnosis and treatment of PD.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.