NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Arka plan Nicel duyarlılık haritalamadan (QSM) çıkarılan radyomik özelliklerin Parkinson hastalığının (PD) teşhisi için umut verici klinik değere sahip olduğu bildirilmektedir. PD'yi PD olmayan kontrollerden ayırt etmek için büyüklük görüntülerine dayanan radyomik özelliklerin kullanışlılığını keşfetmeyi amaçladık. MethodsWe, duyarlılık ağırlıklı görüntüleme (SWI) dahil olmak üzere beyin 3.0T MR'ına maruz kalan PD hastalarını ve kontrolleri retrospektif olarak işe aldı. 95 PD hastasının SN'sinden ve SWI'ye dayalı 95 PD olmayan kontrolden toplam 396 radyomik özellik çıkarıldı. Radyomik özellik ekstraksiyonu için gözlemci anlaşmasını ölçmek için intra/inter-observer korelasyon katsayıları (ICC'ler) uygulandı. Daha sonra hastalar rastgele 7:3 oranında eğitim ve doğrulama setlerine gruplandırıldı. Eğitim setinde, özelliklerin optimize edilmiş alt kümesini filtrelemek ve seçmek için maksimum korelasyon minimum fazlalık algoritması (mRMR) ve en az mutlak büzülme ve seçim operatörü (LASSO) yapıldı ve bir radyomik imza oluşturuldu. Ayrıca, radyomik imzalar farklı makine öğrenme modelleri tarafından inşa edildi. Modellerin tahmin performansını değerlendirmek için ROC eğrileri (AUCs) altındaki alan uygulandı. Daha sonra optimize edilmiş özellikler ve klinik faktörler arasındaki korelasyonu değerlendirmek için korelasyon analizi yapıldı.SonuçlarIntro-observer CC 0.82 ile 1.0 arasında ve inter-observer CC 0.77 ile 0.99 arasında değişiyordu. LASSO lojistik regresyon modeli, eğitim setinde [AUC = 0.82,% 95 güven aralığı (CI, 0.74-0.88)] ve doğrulama setinde [AUC = 0.81,% 95 CI (0.68-0.91)] iyi tahmin etkinliği gösterdi. Bir radyomik özellik, Hoehn-Yahr aşamasıyla orta derecede negatif korelasyon gösterdi (r = -0.49, P = 0.012).SWI büyüklüğü görüntülerine dayanan conclusionRadiomic tahmin özellikleri, PD'nin Hoehn-Yahr aşamasını bir dereceye kadar yansıtabilir.
Özgün kaynak özetini okuyun
BackgroundIt is reported that radiomic features extracted from quantitative susceptibility mapping (QSM) had promising clinical value for the diagnosis of Parkinson's disease (PD). We aimed to explore the usefulness of radiomics features based on magnitude images to distinguish PD from non-PD controls.MethodsWe retrospectively recruited PD patients and controls who underwent brain 3.0T MR including susceptibility-weighted imaging (SWI). A total of 396 radiomics features were extracted from the SN of 95 PD patients and 95 non-PD controls based on SWI. Intra-/inter-observer correlation coefficients (ICCs) were applied to measure the observer agreement for the radiomic feature extraction. Then the patients were randomly grouped into training and validation sets in a ratio of 7:3. In the training set, the maximum correlation minimum redundancy algorithm (mRMR) and the least absolute shrinkage and selection operator (LASSO) were conducted to filter and choose the optimized subset of features, and a radiomics signature was constructed. Moreover, radiomics signatures were constructed by different machine learning models. Area under the ROC curves (AUCs) were applied to evaluate the predictive performance of the models. Then correlation analysis was performed to evaluate the correlation between the optimized features and clinical factors.ResultsThe intro-observer CC ranged from 0.82 to 1.0, and the inter-observer CC ranged from 0.77 to 0.99. The LASSO logistic regression model showed good prediction efficacy in the training set [AUC = 0.82, 95% confidence interval (CI, 0.74-0.88)] and the validation set [AUC = 0.81, 95% CI (0.68-0.91)]. One radiomic feature showed a moderate negative correlation with Hoehn-Yahr stage (r = -0.49, P = 0.012).ConclusionRadiomic predictive features based on SWI magnitude images could reflect the Hoehn-Yahr stage of PD to some extent.
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.