NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD), öncelikle klinik muayeneler ve manyetik rezonans görüntüleme (MRI) ile teşhis edilen progresif, kronik ve nörodejeneratif bir hastalıktır. Bu çalışmada, PD'yi tahmin etmek için makine öğrenimine dayalı bir radyomik yöntem önerdik. Elli sağlıklı kontrol (HC) ile birlikte 70 PD hastasına dinlenme durumu manyetik rezonans görüntüleme (rs-fMRI) uygulandı. Tüm denekler için, düşük frekanslı dalgalanmanın ortalama genliği (mALFF), ortalama bölgesel homojenlik (mReHo), dinlenme durumu fonksiyonel bağlantı (RSFC), voksel-aynalı homotopik bağlantı (VMHC) ve gri madde (GM) hacmi de dahil olmak üzere beş tür 6664 özellik çıkardık. En Az mutlak büzülme ve seçim operatörü (LASSO) kullanılarak boyut azaltma işlemi yapıldıktan sonra, 46 RSFC, 1 mALFF, 3 mReHo, 1 VMHC, 2 GM hacimleri ve 1 klinik faktör dahil olmak üzere elli üç radyomik özellik muhafaza edildi. Seçilen özellikler ayrıca PD için en ayrımcı bölgeleri gösterdi. Ayrıca, iki yöntemin performansını değerlendirmek için rastgele orman ve destek hacim makinesi (SVM) kullanan eğitim setindeki konuların sınıflandırılması için model uyum prosedürü uyguladık. Çapraz doğrulamadan sonra, her iki yöntem de eğitim setinde PD ve HC arasında ayrım yapmak için% 100 doğruluk ve eğrinin altındaki alan (AUC) elde etti. Test setinde, SVM, doğruluk, gerçek pozitif oran (TPR) ve AUC sırasıyla% 85, 1 ve 0.97 olmak üzere rastgele ormandan daha iyi performans gösterdi. Bu bulgular, radyomik tekniğin radyolojik tanıyı destekleme ve PD'li hastalar için klinik teşhis sistemleri için yüksek sınıflandırma doğruluğu elde etme potansiyeline sahip olduğunu göstermektedir.
Özgün kaynak özetini okuyun
Parkinson's disease (PD) is a progressive, chronic, and neurodegenerative disorder that is primarily diagnosed by clinical examinations and magnetic resonance imaging (MRI). In this study, we proposed a machine learning based radiomics method to predict PD. Fifty healthy controls (HC) along with 70 PD patients underwent resting-state magnetic resonance imaging (rs-fMRI). For all subjects, we extracted five types of 6664 features, including mean amplitude of low-frequency fluctuation (mALFF), mean regional homogeneity (mReHo), resting-state functional connectivity (RSFC), voxel-mirrored homotopic connectivity (VMHC) and gray matter (GM) volume. After conducting dimension reduction utilizing Least absolute shrinkage and selection operator (LASSO), fifty-three radiomic features including 46 RSFCs, 1 mALFF, 3 mReHos, 1 VMHC, 2 GM volumes and 1 clinical factor were retained. The selected features also indicated the most discriminative regions for PD. We further conducted model fitting procedure for classifying subjects in the training set employing random forest and support volume machine (SVM) to evaluate the performance of the two methods. After cross-validation, both methods achieved 100% accuracy and area under curve (AUC) for distinguishing between PD and HC in the training set. In the testing set, SVM performed better than random forest with the accuracy, true positive rate (TPR) and AUC being 85%, 1 and 0.97, respectively. These findings demonstrate the radiomics technique has the potential to support radiological diagnosis and to achieve high classification accuracy for clinical diagnostic systems for patients with 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.