NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Hastalık durumunun görüntüleme verileriyle ilişkilendirilmesi, nörogörüntüleme çalışmalarının klinik önemini artırmak için durmaktadır. Birçok nörolojik ve psikiyatrik bozukluk, beynin fonksiyonel ve yapısal özelliklerinde ve muhtemelen diğer klinik ve biyolojik önlemlerde ortaya çıkan karmaşık, sistem düzeyinde değişiklikler içerir. Hem fonksiyonel hem de yapısal beyin görüntüleme taramalarından gelen bilgileri bir araya getirebilen hastalık durumunu tahmin etmek için Bayesian hiyerarşik bir model önermekteyiz. Beyni 282 alt bölgeye bölen iki aşamalı bir beyin parselasyonu düşünüyoruz ve modelimiz parsellemelerle tanımlanan farklı beyin bölgelerinden vokseller arasındaki korelasyonları açıklıyor. Yaklaşımımız görüntüleme verilerini modelliyor ve tahmini gerçekleştirmek için posterior öngörü olasılıklarını kullanıyor. Model parametrelerimizin tahminleri, Markov Chain Monte Carlo (MCMC) yöntemleri kullanılarak ortak posterior dağılımdan alınan örneklere dayanmaktadır. Metodumuzu, çıkışlı çapraz doğrulamaya dayalı tahmin doğruluk oranlarını inceleyerek değerlendiririz ve hesaplama süresini azaltmak için bir önem örnekleme stratejisi uygularız. Hem tam beyin hem de voksel düzeyinde tahminler yapıyoruz ve voksel düzeyinde tahmin sonuçlarına dayanarak hastalıkla yüksek oranda ilişkili olan beyin bölgelerini tanımlıyoruz. Modelimizi Parkinson hastalığı ile ilgili bir çalışmadan elde edilen multimodal beyin görüntüleme verilerine uyguluyoruz. Genel olarak son derece yüksek doğruluk elde ediyoruz ve modelimiz, caudate, putamen ve fusiform gyrus'un yanı sıra birkaç duyusal sistem bölgesi de dahil olmak üzere doğru tahmine katkıda bulunan kilit bölgeleri tanımlıyor.
Özgün kaynak özetini okuyun
Relating disease status to imaging data stands to increase the clinical significance of neuroimaging studies. Many neurological and psychiatric disorders involve complex, systems-level alterations that manifest in functional and structural properties of the brain and possibly other clinical and biologic measures. We propose a Bayesian hierarchical model to predict disease status, which is able to incorporate information from both functional and structural brain imaging scans. We consider a two-stage whole brain parcellation, partitioning the brain into 282 subregions, and our model accounts for correlations between voxels from different brain regions defined by the parcellations. Our approach models the imaging data and uses posterior predictive probabilities to perform prediction. The estimates of our model parameters are based on samples drawn from the joint posterior distribution using Markov Chain Monte Carlo (MCMC) methods. We evaluate our method by examining the prediction accuracy rates based on leave-one-out cross validation, and we employ an importance sampling strategy to reduce the computation time. We conduct both whole-brain and voxel-level prediction and identify the brain regions that are highly associated with the disease based on the voxel-level prediction results. We apply our model to multimodal brain imaging data from a study of Parkinson's disease. We achieve extremely high accuracy, in general, and our model identifies key regions contributing to accurate prediction including caudate, putamen, and fusiform gyrus as well as several sensory system regions.
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.