NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı substantia nigra pars compakta (SNc) dopaminerjik nöronların progresif kaybından kaynaklanır. Şu anda, dünya genelinde yaşlanan nüfusun katlanarak büyümesiyle birlikte, hastalıktan etkilenen insan sayısı da artmaktadır ve hükümetlere büyük bir ekonomik yük getirmektedir. Bununla birlikte, bugüne kadar, hastalığı tamamen ortadan kaldırabilecek herhangi bir tedavi veya tedavi bulunamamıştır. Bu nedenle, Parkinson hastalığının erken tespiti çok önemlidir, böylece dopaminerjik nöronların progresif kaybı hastalara daha iyi bir yaşam sağlamak için kontrol edilebilir. Bu çalışmada 906 denekten 3T T1-MRI taramaları toplanmış, bunların 203 tanesi kontrol denekleri, 66 tanesi prodromal denekler ve 637 tanesi Parkinson hastasıdır. Nörodejenerasyon ve Parkinson hastalığının tespiti için MRI taramalarını analiz etmek için, sekiz subkortikal yapı, atlas bazlı segmentasyon kullanılarak elde edilen MRI taramalarından bölümlere ayrıldı. Ayrıca, çıkarılan sekiz subkortikal yapı üzerinde, sırasıyla dokusal, morfolojik ve istatistiksel özellikleri çıkarmak için özellik ekstraksiyonu gerçekleştirildi. Özellik çıkarma işleminden sonra, her MRI taraması için 107 özellikten oluşan kapsamlı bir set oluşturuldu. Bu nedenle, Parkinson hastalığının tespiti için mümkün olan en iyi özelliği bulmak için iki seviyeli bir özellik çıkarma işlemi uygulandı. İki seviyeli özellik çıkarma prosedürü, korelasyon analizi ve tekrarlı özellik eliminasyonundan yararlandı ve sonuçta bize çıkarılan 107 özellik arasından en iyi performans gösteren 20 özellik sağladı. Ayrıca, tüm özellikler makine öğrenme algoritmaları kullanılarak eğitildi ve seçilen performans ölçümlerine göre dört farklı makine öğrenme algoritması arasında karşılaştırmalı bir analiz yapıldı. Ve sonunda, yapay sinir ağının (çok katmanlı perceptron) sırasıyla %95,3 genel doğruluk, %95,41 genel geri çağırma, %97,28 genel hassasiyet ve %94 f1-skoru sağlayarak en iyi performans gösterdiği gözlenmiştir.
Özgün kaynak özetini okuyun
Parkinson's disease is caused due to the progressive loss of dopaminergic neurons in the substantia nigra pars compacta (SNc). Presently, with the exponential growth of the aging population across the world the number of people being affected by the disease is also increasing and it imposes a huge economic burden on the governments. However, to date, no therapy or treatment has been found that can completely eradicate the disease. Therefore, early detection of Parkinson's disease is very important so that the progressive loss of dopaminergic neurons can be controlled to provide the patients with a better life. In this study, 3T T1-MRI scans were collected from 906 subjects, out of which, 203 are control subjects, 66 are prodromal subjects and 637 are Parkinson's disease patients. To analyze the MRI scans for the detection of neurodegeneration and Parkinson's disease, eight subcortical structures were segmented from the acquired MRI scans using atlas based segmentation. Further, on the extracted eight subcortical structures, feature extraction was performed to extract textural, morphological and statistical features, respectively. After the feature extraction process, an exhaustive set of 107 features were generated for each MRI scan. Therefore, a two-level feature extraction process was implemented for finding the best possible feature set for the detection of Parkinson's disease. The two-level feature extraction procedure leveraged correlation analysis and recursive feature elimination, which at the end provided us with 20 best performing features out of the extracted 107 features. Further, all the features were trained using machine learning algorithms and a comparative analysis was performed between four different machine learning algorithms based on the selected performance metrics. And at the end, it was observed that artificial neural network (multi-layer perceptron) performed the best by providing an overall accuracy of 95.3%, overall recall of 95.41%, overall precision of 97.28% and f1-score of 94%, respectively.
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.