NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
ObjektifParkinson hastalığı (PD) ve normal kontrol (NC) arasındaki sınıflandırma performansını değerlendirmek için, dopamin taşıyıcısı (DAT) tek foton emisyonu hesaplanmış tomografi (SPECT) üzerinde elde edilen yarı-kuantatif göstergeler ve şekil özellikleri makine öğrenimi (ML) özelliği olarak birleştirilir.MetodlarParkinson İlerleme İşaretçileri Girişimi veritabanından hem PD hem de normal kontrol (NC) toplam 100 vaka değerlendirildi. Özetlenmiş bir görüntü oluşturuldu ve ilgi alanları bölgeleri sol ve sağ striata olarak belirlendi. Alan, eşdeğer çap, ana eksen uzunluğu, küçük eksen uzunluğu, çevre ve dairesellik şekil özellikleri olarak hesaplanmıştır. Striatum bağlama oranları (SBRputamen ve SBRcaudate) karşılaştırma özellikleri olarak kullanılmıştır. PD ve NC gruplarının şekil özelliklerinin alıcı işletim karakteristik analizine göre sınıflandırma performansı SBR'ler açısından karşılaştırıldı. Ayrıca, şekil özellikleri veya SBR'ler tek başına ve kombinasyon halinde kullanıldığında ML'nin sınıflandırma performansını karşılaştırdık.SonuçlarTasarım özellikleri (küçük eksen uzunluğu hariç) ve SBR'ler NC ve PD grupları arasında önemli farklılıklar gösterdi (p SonuçDAT-SPECT görüntülerinden elde edilen daireselliğin NC ve PD'nin ayırt edilmesine yardımcı olabileceğini gördük. Ayrıca, ML'nin sınıflandırma performansı, SBR'lerde birlikte dairesellik kullanılarak önemli ölçüde geliştirildi.
Özgün kaynak özetini okuyun
ObjectiveTo assess the classification performance between Parkinson's disease (PD) and normal control (NC) when semi-quantitative indicators and shape features obtained on dopamine transporter (DAT) single photon emission computed tomography (SPECT) are combined as a feature of machine learning (ML).MethodsA total of 100 cases of both PD and normal control (NC) from the Parkinson's Progression Markers Initiative database were evaluated. A summed image was generated and regions of interests were set to the left and right striata. Area, equivalent diameter, major axis length, minor axis length, perimeter and circularity were calculated as shape features. Striatum binding ratios (SBRputamen and SBRcaudate) were used as comparison features. The classification performance of the PD and NC groups according to receiver operating characteristic analysis of the shape features was compared in terms of SBRs. Furthermore, we compared the classification performance of ML when shape features or SBRs were used alone and in combination.ResultsThe shape features (except minor axis length) and SBRs indicated significant differences between the NC and PD groups (p ConclusionWe found that the circularity obtained from DAT-SPECT images could help in distinguishing NC and PD. Furthermore, the classification performance of ML was significantly improved using circularity in SBRs together.
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.