NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson bozukluklarının erken ve doğru ayırıcı teşhisi klinisyenler için hala önemli bir zorluktur. Son yıllarda, bir dizi çalışma, farklı Parkinsonizm formları arasında başarılı bir şekilde ayrım yapmak için makine öğrenimi ve istatistiksel sınıflandırıcılarla birlikte manyetik rezonans görüntüleme verilerini kullanmıştır. Bununla birlikte, önyargı ve artefakt odaklı sınıflandırmayı en aza indirgemek için birkaç soru ve metodolojik konu kalmıştır. Bu çalışmada, özellik seçimi için farklı yaklaşımların yanı sıra, farklı manyetik rezonans görüntüleme modalitelerini, iyi eşleşen hasta grupları ve hasta hareketi ile ilgili veri kalitesi sorunları için sıkı bir şekilde kontrol ederek karşılaştırdık. Örneğimiz 69 sağlıklı kontrol kohortundan ve idiyopatik Parkinson hastalığı (n = 35), progresif supranükleer palsi Richardson sendromu (n = 52) ve kortikobasal sendromlu hastalardan (n = 36) alınmıştır. Katılımcılara standart T1 ağırlıklı ve difüzyon ağırlıklı manyetik rezonans görüntüleme uygulandı. Sıkı veri kalitesi kontrolü ve grup eşleştirmesi, kontrol ve hasta sayılarını sırasıyla 43, 32, 33 ve 26'ya düşürdü. Özellik seçimi ve boyutsallık azaltma için iki farklı yöntemi karşılaştırdık: tam beyinli ana bileşenler analizi ve anatomik ilgi alanına dayalı bir yaklaşım. Her iki durumda da, sağlıklı kontrollerin ve hastaların çift yönlü sınıflandırılması için istatistiksel bir model oluşturmak için destek vektör makineleri kullanılmıştır. Her modelin doğruluğu, terk-iki çıkışlı çapraz doğrulama yaklaşımının yanı sıra farklı bir konu seti kullanılarak bağımsız bir doğrulama kullanılarak tahmin edildi. Çapraz doğrulama sonuçlarımız, özellik çıkarma için ana bileşen analizini kullanmanın, ilgi alanına dayalı bir yaklaşımla karşılaştırıldığında daha yüksek sınıflandırma kazanımları sağladığını göstermektedir. Bununla birlikte, iki özellik çıkarma yöntemi arasındaki farklar, bağımsız bir örnek doğrulama için kullanıldığında önemli ölçüde azalmıştır, bu da ana bileşen analiz yaklaşımının çapraz doğrulama ile aşırı takılmaya karşı daha savunmasız olabileceğini düşündürmektedir. Hem T1 ağırlıklı hem de difüzyon manyetik rezonans görüntüleme verileri, özne grupları arasında başarılı bir şekilde ayrım yapmak için kullanılabilir, her iki modalite de çapraz doğrulama analizindeki tüm çift yönlü karşılaştırmalarda diğerinden daha iyi performans göstermez. Bununla birlikte, difüzyon manyetik rezonans görüntüleme verilerinden elde edilen özellikler, bağımsız bir doğrulama kohortu kullanıldığında önemli ölçüde daha yüksek sınıflandırma akturasileri ile sonuçlandı. Genel olarak, sonuçlarımız parkinsonian bozuklukların ayırıcı teşhisi için istatistiksel sınıflandırma yaklaşımlarının kullanımını desteklemektedir. Bununla birlikte, sınıflandırma doğruluğu grup büyüklüğü, yaş, cinsiyet ve hareket eserlerinden etkilenebilir. Uygun kontroller ve örnek dışı çapraz doğrulama ile, manyetik rezonans görüntüleme tabanlı sınıflandırıcılar da dahil olmak üzere tanısal biyobelirteç değerlendirmesi klinik değerlendirme için önemli bir ek olabilir.
Özgün kaynak özetini okuyun
The early and accurate differential diagnosis of parkinsonian disorders is still a significant challenge for clinicians. In recent years, a number of studies have used magnetic resonance imaging data combined with machine learning and statistical classifiers to successfully differentiate between different forms of Parkinsonism. However, several questions and methodological issues remain, to minimize bias and artefact-driven classification. In this study, we compared different approaches for feature selection, as well as different magnetic resonance imaging modalities, with well-matched patient groups and tightly controlling for data quality issues related to patient motion. Our sample was drawn from a cohort of 69 healthy controls, and patients with idiopathic Parkinson's disease (n = 35), progressive supranuclear palsy Richardson's syndrome (n = 52) and corticobasal syndrome (n = 36). Participants underwent standardized T1-weighted and diffusion-weighted magnetic resonance imaging. Strict data quality control and group matching reduced the control and patient numbers to 43, 32, 33 and 26, respectively. We compared two different methods for feature selection and dimensionality reduction: whole-brain principal components analysis, and an anatomical region-of-interest based approach. In both cases, support vector machines were used to construct a statistical model for pairwise classification of healthy controls and patients. The accuracy of each model was estimated using a leave-two-out cross-validation approach, as well as an independent validation using a different set of subjects. Our cross-validation results suggest that using principal components analysis for feature extraction provides higher classification accuracies when compared to a region-of-interest based approach. However, the differences between the two feature extraction methods were significantly reduced when an independent sample was used for validation, suggesting that the principal components analysis approach may be more vulnerable to overfitting with cross-validation. Both T1-weighted and diffusion magnetic resonance imaging data could be used to successfully differentiate between subject groups, with neither modality outperforming the other across all pairwise comparisons in the cross-validation analysis. However, features obtained from diffusion magnetic resonance imaging data resulted in significantly higher classification accuracies when an independent validation cohort was used. Overall, our results support the use of statistical classification approaches for differential diagnosis of parkinsonian disorders. However, classification accuracy can be affected by group size, age, sex and movement artefacts. With appropriate controls and out-of-sample cross validation, diagnostic biomarker evaluation including magnetic resonance imaging based classifiers may be an important adjunct to clinical evaluation.
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.