NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Beynin metabolizmasını gösterebilen bir tıbbi görüntüleme teknolojisi olarak, 18F-florodeoksiglukoz (FDG)-pozitron emisyon tomografisi (PET) Parkinson Hastalığı (PD) tanısı için çok değerlidir. Desen tanıma teknolojisinin gelişmesiyle birlikte, derin öğrenme kullanarak beyin görüntülerinin analizi giderek daha popüler hale geliyor. Bununla birlikte, mevcut bilgisayar destekli tanı teknolojileri genellikle uygun ve zayıf genellenebilirliğe sahiptir. Bu nedenle, FDG-PET görüntülemeye dayalı PD ve normal kontrol (NC) konularını ayırt etmek için Grup Lasso Sparse Derin İnanç Ağı'na (GLS-DBN) dayanan bir çerçeve geliştirmeyi amaçladık. Bu çalışmada Huashan ve Wuxi 904 hastanelerinden 225 NC ve 125 PD kohort seçildi. Eğitim ve doğrulama veri kümesine ve 2 test veri kümesine ayrıldılar. İlk olarak, eğitim ve doğrulama setinde, denekler, derin öğrenme modeli için birden fazla eğitim yinelemesi ile rastgele olarak 80:20'ye bölündü. Daha sonra, Yerel Doğrusal Gömme bir boyut azaltma algoritması olarak kullanıldı. Daha sonra, GLS-DBN özellik öğrenme ve sınıflandırma için kullanıldı. Çerçevemizin etkinliğini değerlendirmek için veri kümelerini karşılaştırmak için farklı seyrek DBN modelleri kullanıldı. Sonuçları doğrulamak için doğruluk, hassasiyet ve özgüllük incelendi. Ağın çıktı değişkenleri, hareket bozuklukları (UPDRS, H&Y) ile ilgili derecelendirme ölçeklerinin uzunlamasına değişiklikleri ile de ilişkilendirilmiştir. Sonuç olarak, PD ve NC hastalarının sınıflandırılması için tahminin doğruluğu (Test 1'de% 90, Test 2'de% 86) geleneksel yaklaşımlardan daha iyi performans gösterdi. Ağın çıkış skorları UPDRS ve H&Y ile güçlü bir şekilde ilişkiliydi (R = 0.705, p R = 0.697, p R = 0.592, p = 0.0018, R = 0.528, p = 0.0067 Test 2). Bu sonuçlar GLS-DBN'nin PD'nin erken teşhisi için uygulanabilir bir yöntem olduğunu göstermektedir.
Özgün kaynak özetini okuyun
As a medical imaging technology which can show the metabolism of the brain, 18F-fluorodeoxyglucose (FDG)-positron emission tomography (PET) is of great value for the diagnosis of Parkinson's Disease (PD). With the development of pattern recognition technology, analysis of brain images using deep learning are becoming more and more popular. However, existing computer-aided-diagnosis technologies often over fit and have poor generalizability. Therefore, we aimed to improve a framework based on Group Lasso Sparse Deep Belief Network (GLS-DBN) for discriminating PD and normal control (NC) subjects based on FDG-PET imaging. In this study, 225 NC and 125 PD cohorts from Huashan and Wuxi 904 hospitals were selected. They were divided into the training & validation dataset and 2 test datasets. First, in the training & validation set, subjects were randomly partitioned 80:20, with multiple training iterations for the deep learning model. Next, Locally Linear Embedding was used as a dimension reduction algorithm. Then, GLS-DBN was used for feature learning and classification. Different sparse DBN models were used to compare datasets to evaluate the effectiveness of our framework. Accuracy, sensitivity, and specificity were examined to validate the results. Output variables of the network were also correlated with longitudinal changes of rating scales about movement disorders (UPDRS, H&Y). As a result, accuracy of prediction (90% in Test 1, 86% in Test 2) for classification of PD and NC patients outperformed conventional approaches. Output scores of the network were strongly correlated with UPDRS and H&Y (R = 0.705, p R = 0.697, p R = 0.592, p = 0.0018, R = 0.528, p = 0.0067 in Test 2). These results show the GLS-DBN is feasible method for early diagnosis 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.