NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Arka plan: Parkinson hastalığı (PD) ve progresif supranükleer felci olan hastalar Richardson sendromu (PSP-RS) sıklıkla örtüşen klinik özellikler gösterir ve yanlış tanılara yol açar. Bu çalışmanın amacı, PD hastalarının, PSP-RS hastalarının ve sağlıklı kontrol (HC) deneklerinin otomatik olarak farklılaşması için çok modlu MRI veri kümelerinin kullanılmasının fizibilitesini ve yararını araştırmaktı. Gereç ve Yöntem: 45 PD hastadan T1 ağırlıklı, T2-ağırlıklı ve difüzyon-tensörlü (DTI) MRI veri setleri, 20 PSP-RS hasta ve 38 HC denek bu çalışma için mevcuttu. Atlas tabanlı bir yaklaşım kullanılarak, beyin morfolojisinin (T1 ağırlıklı), beyin demir metabolizmasının (T2-ağırlıklı) ve mikroyapısal bütünlüğün (DTI) bölgesel değerleri ölçüldü ve çeşitli yerleşik makine öğrenme yöntemlerinin kombinasyonlarını kullanarak özellik seçimi ve sonraki sınıflandırma için kullanıldı. Bulgular: Bölgesel morfoloji özelliklerini kullanan optimal makine öğrenme modeli sadece PD hastalarını, PSP-RS hastalarını ve HC konularını farklılaştıran% 65 (67/103 doğru sınıflandırma) sınıflandırma doğruluğu elde etti. Sadece nicel T2 değerlerini kullanan optimal makine öğrenme modeli biraz daha iyi performans gösterdi ve %75,7 (78/103) doğruluk elde etti. Tek başına DTI özelliklerini kullanan optimal sınıflandırıcı, %95,1 doğrulukla (98/103) oldukça iyi performans gösterdi. Tüm özellikleri kullanan optimal çok modlu sınıflandırıcı da% 95,1 doğruluk elde etti, ancak daha fazla özellik gerektiriyordu ve yalnızca DTI özelliklerini kullanan en uygun modele kıyasla biraz daha düşük bir F1-skor elde etti. Sonuç: Multimodal MRI kullanan makine öğrenme modelleri, tek başına T1 ağırlıklı MRI veri kümelerine veya sadece T2 ağırlıklı MRI veri kümelerine dayalı beyin demir metabolizma belirteçlerine dayalı morfolojik parametreler kullanarak uni-modal makine öğrenme modellerine göre önemli ölçüde daha iyi performans gösterir. Bununla birlikte, DTI veri kümelerinden hesaplanan bölgesel beyin mikroyapısal bütünlük metriklerini kullanan makine learnig modelleri, optimal çok modlu makine öğrenimi modeline benzer bir performans gösterir. Bu nedenle, bu çalışma kohortundan elde edilen sonuçlar göz önüne alındığında, morfoloji ve beyin demir metabolizması belirteçlerinin, tek başına DTI metriklerinin kullanılmasına kıyasla sınıflandırma için ek bir değer sağlamayabileceği görülmektedir.
Özgün kaynak özetini okuyun
Background: Patients with Parkinson's disease (PD) and progressive supranuclear palsy Richardson's syndrome (PSP-RS) often show overlapping clinical features, leading to misdiagnoses. The objective of this study was to investigate the feasibility and utility of using multi-modal MRI datasets for an automatic differentiation of PD patients, PSP-RS patients, and healthy control (HC) subjects. Material and Methods: T1-weighted, T2-weighted, and diffusion-tensor (DTI) MRI datasets from 45 PD patients, 20 PSP-RS patients, and 38 HC subjects were available for this study. Using an atlas-based approach, regional values of brain morphology (T1-weighted), brain iron metabolism (T2-weighted), and microstructural integrity (DTI) were measured and employed for feature selection and subsequent classification using combinations of various established machine learning methods. Results: The optimal machine learning model using regional morphology features only achieved a classification accuracy of 65% (67/103 correct classifications) differentiating PD patients, PSP-RS patients, and HC subjects. The optimal machine learning model using only quantitative T2 values performed slightly better and achieved an accuracy of 75.7% (78/103). The optimal classifier using DTI features alone performed considerably better with 95.1% accuracy (98/103). The optimal multi-modal classifier using all features also achieved an accuracy of 95.1% but required more features and achieved a slightly lower F1-score compared to the optimal model using DTI features alone. Conclusion: Machine learning models using multi-modal MRI perform significantly better than uni-modal machine learning models using morphological parameters based on T1-weighted MRI datasets alone or brain iron metabolism markers based on T2-weighted MRI datasets alone. However, machine learnig models using regional brain microstructural integrity metrics computed from DTI datasets perform similar to the optimal multi-modal machine learning model. Thus, given the results from this study cohort, it appears that morphology and brain iron metabolism markers may not provide additional value for classification compared to using DTI metrics alone.
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.