Multi-View Ensemble Classification of Brain Connectivity Images for Neurodegeneration Type Discrimination.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Voxel'leri özellikler olarak kullanan beyin bağlantı analizleri, subjektif anatomik ve fonksiyonel değişkenlik nedeniyle tek hasta sınıflandırması için yeterince sağlam değildir. Daha sağlam özellikler oluşturmak için vokseller, konular arasında maksimum tutarlılık gösteren kümeler halinde birleştirilebilir. Dahası, çoklu modlu nörogörüntüleme ve çoklu görüntüleme veri entegrasyon tekniklerinin birleştirilmesi, aynı hasta için birden fazla bağımsız bağlantı özelliğinin üretilmesini sağlar. Yapısal ve fonksiyonel bağlantı özellikleri, kümeleme tekniği ile çok modlu MRI görüntülerinden çıkarıldı ve bir topluluk öğrenme yöntemi (rastgele orman) ile nörodejenerasyonun farklı fenotiplerinin çok görüşlü sınıflandırılması için kullanıldı. İki farklı çoklu görüş modeli (orta ve geç veri entegrasyonu) 41 amyotrofik lateral skleroz (ALS) hastası, 37 Parkinson hastalığı (PD) hastası ve 43 sağlıklı kontrol (HC) deneksinden, bireysel tam beyinli varsayılan mod ağı (DMN) ve fraksiyonel anizotropi (FA) haritalarının sınıflandırılması için eğitildi ve test edildi. Her iki çok görüşlü veri modeli de, topluluk sınıflandırması accuracies'i rastlantının önemli ölçüde üzerinde sergiledi. ALS hastalarında, çoklu görüş modelleri en iyi performansları sergiledi (ortalama: %82.9, geç: %80.5 doğru sınıflandırma) ve her bir tek görüş modeline göre daha ayrımcıydı. PD hastalarında ve kontrollerde, çoklu görüş modellerinin performansları daha düşüktü (PD: %59,5, %62,2; HC: %56,8, %59,1) ancak en az bir tek görüş modelinden daha yüksekti. Modelleri sadece hastalar üzerinde eğitmek, ALS veya PD tipi olarak doğru bir şekilde ayrımcılığa uğrayan %85'ten fazla hasta üretmek ve çoklu görüş modelleri için maksimum performans. Bu sonuçlar, nörodejeneratif hastalıkların incelenmesinde çok modlu beyin görüntülerinden bağlantı modellerinin sınıflandırılmasında birden fazla veri görünümünün entegrasyonundan elde edilen madenciliğin tamamlayıcı bilgilerinin potansiyellerini vurgulamaktadır.

Özgün kaynak özetini okuyun

Brain connectivity analyses using voxels as features are not robust enough for single-patient classification because of the inter-subject anatomical and functional variability. To construct more robust features, voxels can be aggregated into clusters that are maximally coherent across subjects. Moreover, combining multi-modal neuroimaging and multi-view data integration techniques allows generating multiple independent connectivity features for the same patient. Structural and functional connectivity features were extracted from multi-modal MRI images with a clustering technique, and used for the multi-view classification of different phenotypes of neurodegeneration by an ensemble learning method (random forest). Two different multi-view models (intermediate and late data integration) were trained on, and tested for the classification of, individual whole-brain default-mode network (DMN) and fractional anisotropy (FA) maps, from 41 amyotrophic lateral sclerosis (ALS) patients, 37 Parkinson's disease (PD) patients and 43 healthy control (HC) subjects. Both multi-view data models exhibited ensemble classification accuracies significantly above chance. In ALS patients, multi-view models exhibited the best performances (intermediate: 82.9%, late: 80.5% correct classification) and were more discriminative than each single-view model. In PD patients and controls, multi-view models' performances were lower (PD: 59.5%, 62.2%; HC: 56.8%, 59.1%) but higher than at least one single-view model. Training the models only on patients, produced more than 85% patients correctly discriminated as ALS or PD type and maximal performances for multi-view models. These results highlight the potentials of mining complementary information from the integration of multiple data views in the classification of connectivity patterns from multi-modal brain images in the study of neurodegenerative diseases.

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.