NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Amaç: Kantitatif duyarlılık haritalaması (QSM) ve görüntü algoritmalarına dayalı Parkinson hastalığı (PD) tanı algoritmaları substantia nigra (SN) etiketlemesine dayanır. Bununla birlikte, farklı uzmanlardan (veya segmentasyon algoritmalarından) SN etiketleri arasındaki fark, algoritmanın doğruluğunun azalması veya aynı örnek için farklı teşhis sonuçları gibi aşağı yönlü teşhis görevleri üzerinde olumsuz bir etkiye sahip olacaktır. Bu makalede, algoritmanın farklı etiket kümelerindeki doğruluğunu ölçüyoruz ve daha sonra yüksek hassasiyetli ve son derece sağlam bir teşhis algoritması elde etmek için konvolüsyonel sinir ağı (CNN) modelini geliştiriyoruz. Yöntemler: Lojistik regresyon modeli ve CNN modeli, farklı SN etiketleme setleri verilen PD hastaları ve sağlıklı kontroller (HC) arasındaki sınıflandırma için ilk olarak karşılaştırıldı. Daha sonra, daha iyi performansa sahip CNN modeline dayanarak, yeni bir "kapalı havuzlama" operasyonu önerdik ve görüntü segmentasyonu ve sınıflandırması için ortak bir çerçeve elde etmek için derin öğrenme ile entegre ettik. Sonuçlar: Deneysel sonuçlar, farklı uzmanları taklit eden farklı SN etiketleme setleriyle, CNN modelinin yaklaşık %86,4 oranında istikrarlı bir sınıflandırma doğruluğunu koruyabildiğini, geleneksel lojistik regresyon modelinin ise %78,9 ila %67,9 arasında değişen büyük bir dalgalanma sağladığını göstermektedir. Ayrıca, "kapalı havuzlama" operasyonu, ortak görüntü segmentasyonu ve sınıflandırması için entegre edildikten sonra, tanı doğruluğunu tutarlı bir şekilde %86,9'a kadar artırabilir, bu da istatistiksel olarak taban çizgisinden daha iyidir. Sonuç: CNN modeli, radyomik özellikleri kullanan geleneksel lojistik regresyon modeli ile karşılaştırıldığında, PD tanısında daha iyi stabiliteye sahiptir. Ayrıca, ortak uçtan uca CNN modelinin, gerçek kullanımda doğruluk, istikrar ve kolaylık perspektiflerinden PD teşhisi için uygun olduğu gösterilmiştir.
Özgün kaynak özetini okuyun
Purpose: Parkinson's disease (PD) diagnosis algorithms based on quantitative susceptibility mapping (QSM) and image algorithms rely on substantia nigra (SN) labeling. However, the difference between SN labels from different experts (or segmentation algorithms) will have a negative impact on downstream diagnostic tasks, such as the decrease of the accuracy of the algorithm or different diagnostic results for the same sample. In this article, we quantify the accuracy of the algorithm on different label sets and then improve the convolutional neural network (CNN) model to obtain a high-precision and highly robust diagnosis algorithm. Methods: The logistic regression model and CNN model were first compared for classification between PD patients and healthy controls (HC), given different sets of SN labeling. Then, based on the CNN model with better performance, we further proposed a novel "gated pooling" operation and integrated it with deep learning to attain a joint framework for image segmentation and classification. Results: The experimental results show that, with different sets of SN labeling that mimic different experts, the CNN model can maintain a stable classification accuracy at around 86.4%, while the conventional logistic regression model yields a large fluctuation ranging from 78.9 to 67.9%. Furthermore, the "gated pooling" operation, after being integrated for joint image segmentation and classification, can improve the diagnosis accuracy to 86.9% consistently, which is statistically better than the baseline. Conclusion: The CNN model, compared with the conventional logistic regression model using radiomics features, has better stability in PD diagnosis. Furthermore, the joint end-to-end CNN model is shown to be suitable for PD diagnosis from the perspectives of accuracy, stability, and convenience in actual use.
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.