NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Bu çalışma, Parkinson hastalığının (PD) tanısında düşük frekanslı dalgalanma (ALFF) tabanlı histogram analizinin genliğinin değerini araştırmayı ve en önemli ayrımcı özelliklerin bölgelerini ve sınıflandırma ayrımcılığına katkılarını araştırmayı amaçlamıştır. PD (n = 59) ve sağlıklı kontrolleri (HCs; n = 41) olan hastalar tanımlanmış ve birincil bir sete (48 PD ve 32 HC'li hastalar dahil olmak üzere 80 vaka) ve bir doğrulama setine (20 vaka, PD ve dokuz HC'li 11 hasta dahil) ayrılmıştır. Otomatik Anatomik Etiketleme (AAL) 116 atlası, beyindeki ilgi bölgelerinin histogram özelliklerini çıkarmak için kullanıldı. Makine öğrenme yöntemleri, veri boyutsallığı azaltma, özellik seçimi, model yapımı ve model performans değerlendirmesi için birincil sette kullanıldı. Model performansı, doğrulama setinde daha da doğrulandı. Uzun metrajlı veri boyutu azaltma ve özellik seçiminden sonra, modele toplam 1.276 özellikten 23 tanesi girildi. Seçilen özelliklerin beyin bölgeleri arasında frontal, temporal, parietal, oksipital ve limbik lobların yanı sıra serebellum ve talamus vardı. Birincil sette, modelin eğrisinin (AUC) altındaki alan 0.974, hassasiyet %93,8, özgüllük %90,6 ve doğruluk %93,8 idi. Doğrulama setinde, AUC, duyarlılık, özgüllük ve doğruluk sırasıyla 0.980,% 90.9,% 88.9 ve% 90.0 idi. ALFF tabanlı histogram analizi, PD ve HC'li hastaları sınıflandırmak ve PD hastalarında anormal beyin fonksiyon bölgelerini etkili bir şekilde tanımlamak için kullanılabilir.
Özgün kaynak özetini okuyun
This study aimed to investigate the value of amplitude of low-frequency fluctuation (ALFF)-based histogram analysis in the diagnosis of Parkinson's disease (PD) and to investigate the regions of the most important discriminative features and their contribution to classification discrimination. Patients with PD (n = 59) and healthy controls (HCs; n = 41) were identified and divided into a primary set (80 cases, including 48 patients with PD and 32 HCs) and a validation set (20 cases, including 11 patients with PD and nine HCs). The Automated Anatomical Labeling (AAL) 116 atlas was used to extract the histogram features of the regions of interest in the brain. Machine learning methods were used in the primary set for data dimensionality reduction, feature selection, model construction, and model performance evaluation. The model performance was further validated in the validation set. After feature data dimension reduction and feature selection, 23 of a total of 1,276 features were entered in the model. The brain regions of the selected features included the frontal, temporal, parietal, occipital, and limbic lobes, as well as the cerebellum and the thalamus. In the primary set, the area under the curve (AUC) of the model was 0.974, the sensitivity was 93.8%, the specificity was 90.6%, and the accuracy was 93.8%. In the validation set, the AUC, sensitivity, specificity, and accuracy were 0.980, 90.9%, 88.9%, and 90.0%, respectively. ALFF-based histogram analysis can be used to classify patients with PD and HCs and to effectively identify abnormal brain function regions in PD patients.
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.