NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Son yıllarda, Parkinson Hastalığı (PD) için etkili bir Bilgisayar Destekli-Diagnosis (CAD) sistemi geliştirmek için çeşitli yaklaşımlar önerilmiştir. Bu yöntemlerin çoğu, yapısal veya fonksiyonel kalıpları karakterize etmeye uygun Makine Öğrenme algoritmalarının kullanımı yoluyla neredeyse sadece beyin görüntülerine odaklanmıştır. Bu kalıplar Parkinson Hastalığının orta ve ileri aşamalarındaki durum ve/veya ilerleme hakkında yeterli bilgi sağlar. Bununla birlikte, bu bilgi patolojinin erken aşamalarında yetersiz olabilir. Parkinson İlerleme İşaretleyicileri Girişimi (PPMI) veritabanı, çoklu biyomedikal testlerle birlikte nörolojik görüntüler içerir. Bu bilgi, farklı biyobelirteç sınıflandırma sonuçlarını karşılaştırma olasılığını açar. Veriler heterojen kaynaklardan geldikçe, patoloji hakkında yeni bilgiler elde etmek için bu biyobelirteçlerden bazılarını dahil etmemiz beklenmektedir. Bu fikre dayanarak, bu çalışma Performans Ağırlıklandırma ile Ensemble Sınıflandırma modelini sunmaktadır. Bu öneri, Sağlıklı Kontrol denekleri (HC) ve PD'li hastaları karşılaştırarak test edilmiştir (hem PD hem de SWEDD etiketli denekleri aynı sınıf olarak göz önünde bulundurarak). Bu model, PPMI veritabanı deneklerinden CerebroSpinal Fluid (CSF), RNA ve Serum testleri ve önceden işlenmiş nöroimages özellikleri (Voxels-As-Features ve tanımlanmış Morfolojik Özelliklerin bir listesi) dahil olmak üzere farklı biyomedikal test grubu için birçok Destek-Vektör-Makine (SVM) ile doğrusal çekirdek sınıflandırıcılarını birleştirir. Önerilen metodoloji, tüm veri kaynaklarını kullanır ve en ayırt edici özellikleri seçer (özellikle nörogörüntülerden). Bu performans ağırlıklı topluluk sınıflandırma modeli kullanılarak, %96'ya varan sınıflandırma sonuçları elde edilmiştir.
Özgün kaynak özetini okuyun
In last years, several approaches to develop an effective Computer-Aided-Diagnosis (CAD) system for Parkinson's Disease (PD) have been proposed. Most of these methods have focused almost exclusively on brain images through the use of Machine-Learning algorithms suitable to characterize structural or functional patterns. Those patterns provide enough information about the status and/or the progression at intermediate and advanced stages of Parkinson's Disease. Nevertheless this information could be insufficient at early stages of the pathology. The Parkinson's Progression Markers Initiative (PPMI) database includes neurological images along with multiple biomedical tests. This information opens up the possibility of comparing different biomarker classification results. As data come from heterogeneous sources, it is expected that we could include some of these biomarkers in order to obtain new information about the pathology. Based on that idea, this work presents an Ensemble Classification model with Performance Weighting. This proposal has been tested comparing Healthy Control subjects (HC) vs. patients with PD (considering both PD and SWEDD labeled subjects as the same class). This model combines several Support-Vector-Machine (SVM) with linear kernel classifiers for different biomedical group of tests-including CerebroSpinal Fluid (CSF), RNA, and Serum tests-and pre-processed neuroimages features (Voxels-As-Features and a list of defined Morphological Features) from PPMI database subjects. The proposed methodology makes use of all data sources and selects the most discriminant features (mainly from neuroimages). Using this performance-weighted ensemble classification model, classification results up to 96% were obtained.
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.