NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığının (PD) arka planı, progresif motor ve motor olmayan semptomların varlığı ve dopamin taşıyıcısını [123I]ioflupane (DaTscan) ile görüntüleme yoluyla bilgilendirilir. Derin öğrenme ve topluluk yöntemleri son zamanlarda tıbbi görüntü analizinde umut vadetmiştir. Bu nedenle, bu çalışma PD'li hastalarda prognoz için üç aşamalı, derin öğrenme, topluluk yaklaşımı geliştirmeyi amaçladı.PD'li 198 hastanın MethodsRetrospektif verileri Parkinson Gelişim İşaretçileri Girişimi veritabanından alındı ve sırasıyla 118, 40 ve 40 hasta ile eğitim, doğrulama ve test setlerine rastgele bölündü. Yaklaşımın birinci ve ikinci aşamaları, sırasıyla DaTscan ve motor semptomların klinik ölçütlerinden özellikler çıkardı. Üçüncü aşama, başlangıçtaki taramadan 4 yıl sonra hasta sonucunu tahmin etmek için çıkarılan özelliklerin farklı alt kümelerinde derin sinir ağlarından oluşan bir topluluğu eğitti. Yaklaşım, ortalama mutlak yüzde hatası (MAME), ortalama mutlak hata (MAE), Pearson korelasyon katsayısı ve öngörülen ve gözlemlenen motor sonuç puanları arasındaki önyargı değerlendirilerek değerlendirildi. Yaklaşım, girdiler olarak farklı veri alt kümeleri verilen bireysel ağlarla karşılaştırıldı.SonuçlarToplum yaklaşımı, %18,36'lık bir MAPE, 4.70'lik MAE, 0.84'lük bir Pearson korelasyon katsayısı sağladı ve doğru sonuç tahminini gösteren önemli bir önyargıya sahip değildi. Yaklaşım, sırasıyla, DaTscan görüntüleme veya motor semptomların klinik ölçütlerini girdiler olarak verilmeyen bireysel ağlardan daha iyi performans gösterdi.Bu yaklaşım, PD'de boylamsal prognostikasyon için umut verdi ve tahmin görevi için görüntüleme ve görüntüleme dışı bilgilerin sinerjisini gösterdi.
Özgün kaynak özetini okuyun
BackgroundDiagnosis of Parkinson's disease (PD) is informed by the presence of progressive motor and non-motor symptoms and by imaging dopamine transporter with [123I]ioflupane (DaTscan). Deep learning and ensemble methods have recently shown promise in medical image analysis. Therefore, this study aimed to develop a three-stage, deep learning, ensemble approach for prognosis in patients with PD.MethodsRetrospective data of 198 patients with PD were retrieved from the Parkinson's Progression Markers Initiative database and randomly partitioned into the training, validation, and test sets with 118, 40, and 40 patients, respectively. The first and second stages of the approach extracted features from DaTscan and clinical measures of motor symptoms, respectively. The third stage trained an ensemble of deep neural networks on different subsets of the extracted features to predict patient outcome 4 years after initial baseline screening. The approach was evaluated by assessing mean absolute percentage error (MAPE), mean absolute error (MAE), Pearson's correlation coefficient, and bias between the predicted and observed motor outcome scores. The approach was compared to individual networks given different data subsets as inputs.ResultsThe ensemble approach yielded a MAPE of 18.36%, MAE of 4.70, a Pearson's correlation coefficient of 0.84, and had no significant bias indicating accurate outcome prediction. The approach outperformed individual networks not given DaTscan imaging or clinical measures of motor symptoms as inputs, respectively.ConclusionThe approach showed promise for longitudinal prognostication in PD and demonstrated the synergy of imaging and non-imaging information for the prediction task.
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.