NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Son zamanlarda, psikiyatrik veya nörolojik bozuklukların etkili ve doğru teşhisinde desen tanıma ve nörogörüntüleme tekniklerinin uygulamalarına artan bir vurgu yapılmıştır. Bu çalışmada, Parkinson hastalığının (PD) tüm beyin dinlenme durumu fonksiyonel bağlantı kalıplarını araştırdık, bu hastalığın klinik teşhisi ve tedavisi için ek bilgi sağlaması bekleniyor. İlk olarak, bir önceki atlastan türetilen 116 bölgenin her bir çifti arasındaki fonksiyonel bağlantıyı hesapladık. Daha sonra Kendall tau korelasyon katsayısına dayanan en ayrımcı özellikler seçildi. 26 demografik olarak uyumlu sağlıklı kontrole sahip 21 PD hastasını sınıflandırmak için bir destek vektör makinesi sınıflandırıcı kullanıldı. Bu yöntem,% 93.62'lik bir sınıflandırma doğruluğuna,% 90.47'lik bir hassasiyet ve% 96.15'lik bir özgüllükle, leave-one-out çapraz doğrulaması kullanılarak ulaştı. En çok ayrımcı fonksiyonel bağlantıların çoğunluğu varsayılan mod, singulo-operküler ve frontal-parietal ağlar ve serebellum içinde veya genelinde yer alıyordu. Hastalıkla ilişkili bu dinlenme-durum ağı değişiklikleri, bu hastalığın patofizyolojisinde önemli rol oynayabilir. Sonuçlarımız, tüm beyin dinlenme durumu fonksiyonel bağlantı modellerinin analizlerinin, PD'nin klinik tanı ve tedavi değerlendirmesini iyileştirme potansiyeline sahip olduğunu göstermektedir.
Özgün kaynak özetini okuyun
Recently, there has been an increasing emphasis on applications of pattern recognition and neuroimaging techniques in the effective and accurate diagnosis of psychiatric or neurological disorders. In the present study, we investigated the whole-brain resting-state functional connectivity patterns of Parkinson's disease (PD), which are expected to provide additional information for the clinical diagnosis and treatment of this disease. First, we computed the functional connectivity between each pair of 116 regions of interest derived from a prior atlas. The most discriminative features based on Kendall tau correlation coefficient were then selected. A support vector machine classifier was employed to classify 21 PD patients with 26 demographically matched healthy controls. This method achieved a classification accuracy of 93.62% using leave-one-out cross-validation, with a sensitivity of 90.47% and a specificity of 96.15%. The majority of the most discriminative functional connections were located within or across the default mode, cingulo-opercular and frontal-parietal networks and the cerebellum. These disease-related resting-state network alterations might play important roles in the pathophysiology of this disease. Our results suggest that analyses of whole-brain resting-state functional connectivity patterns have the potential to improve the clinical diagnosis and treatment evaluation 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.