NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
AmaçDeep convolutional nöral ağlar (CNN) dopamin taşıyıcı (DAT) SPECT görüntülerinin otomatik sınıflandırılması için yüksek doğruluk sağlar. Bununla birlikte, CNN doğası gereği kararlarına dair herhangi bir açıklamadan yoksun siyah kutudur. Bu, klinik kullanım için kabul edilmelerini sınırlar. Bu çalışma, klinik olarak belirsiz parkinsonian sendromları olan hastalarda DAT-SPECT'in CNN tabanlı sınıflandırmasını açıklamak için katman-bilişsel alaka yayılımını (LRP) test etti.MetodlarAraştırma retrospektif olarak, iki deneyimli okuyucu tarafından "normal" veya "azaltılmış" olarak görsel ikili yorumlama ile 1296 klinik DAT-SPECT'i içeriyordu. Özel yapım bir CNN, rastgele seçilen 1008 DAT-SPECT ile eğitildi. Kalan 288 DAT-SPECT, CNN'in sınıflandırma performansını değerlendirmek ve CNN tabanlı sınıflandırmanın açıklaması için LRP'yi test etmek için kullanıldı.SonuçlarGenel doğruluk, hassasiyet ve CNN'in özgüllüğü sırasıyla %95.8, %92.8 ve %98.7 idi. LRP, her bir DAT-SPECT'te yorumlanması kolay olan alaka haritaları sağladı. Özellikle, nigrostriyal dejenerasyondan en çok etkilenen yarımküredeki putamen, tüm azaltılmış DAT-SPECT'te CNN tabanlı sınıflandırma için en uygun beyin bölgesiydi. Bazı yanlış sınıflandırılmış DAT-SPECT, gerçek sınıf etiketi için daha tipik bir "tutarsız" alaka haritası gösterdi.ConclusionLRP, bireysel DAT-SPECT'te CNN tabanlı kararların açıklamasını sağlamak için yararlıdır ve bu nedenle, klinik rutinde DAT-SPECT'in CNN tabanlı sınıflandırmasını desteklemek için tavsiye edilebilir. 3 s'nin toplam hesaplama süresi yoğun klinik iş akışı ile uyumludur. Yanlış sınıflandırılmış vakaları tanımlamak için "tutarsız" alaka haritalarının kullanılması daha fazla araştırma gerektirir.
Özgün kaynak özetini okuyun
PurposeDeep convolutional neural networks (CNN) provide high accuracy for automatic classification of dopamine transporter (DAT) SPECT images. However, CNN are inherently black-box in nature lacking any kind of explanation for their decisions. This limits their acceptance for clinical use. This study tested layer-wise relevance propagation (LRP) to explain CNN-based classification of DAT-SPECT in patients with clinically uncertain parkinsonian syndromes.MethodsThe study retrospectively included 1296 clinical DAT-SPECT with visual binary interpretation as "normal" or "reduced" by two experienced readers as standard-of-truth. A custom-made CNN was trained with 1008 randomly selected DAT-SPECT. The remaining 288 DAT-SPECT were used to assess classification performance of the CNN and to test LRP for explanation of the CNN-based classification.ResultsOverall accuracy, sensitivity, and specificity of the CNN were 95.8%, 92.8%, and 98.7%, respectively. LRP provided relevance maps that were easy to interpret in each individual DAT-SPECT. In particular, the putamen in the hemisphere most affected by nigrostriatal degeneration was the most relevant brain region for CNN-based classification in all reduced DAT-SPECT. Some misclassified DAT-SPECT showed an "inconsistent" relevance map more typical for the true class label.ConclusionLRP is useful to provide explanation of CNN-based decisions in individual DAT-SPECT and, therefore, can be recommended to support CNN-based classification of DAT-SPECT in clinical routine. Total computation time of 3 s is compatible with busy clinical workflow. The utility of "inconsistent" relevance maps to identify misclassified cases requires further investigation.
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.