NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD), tanı koymak için en ciddi ve zorlayıcı nörodejeneratif bozukluklardan biridir. Motor semptomların gözlemlenmesinde klinik tanı altın standarttır, ancak bu noktada sinir hücreleri dejenere olur ve terapötik tedavilerin daha düşük bir etkinliği ile sonuçlanır. Bu çalışmada, son zamanlarda önerilen 20-Layer Convolutional Neural Network'e (CNN) dayanan ve dinlenme durumu EEG'nin Wavelet alanının görsel olarak gerçekleştirilmesi üzerine uygulanan derin öğrenme yaklaşımını tanıtıyoruz. Önerilen yaklaşım, PD'yi verimli ve doğru bir şekilde tespit etmenin yanı sıra, ilaçlarla ilgili PD olan konuları ilaç dışı olan konulardan ayırt edebildi. Gradiyan ağırlıklı sınıf aktivasyon haritalaması (Grad-CAM) yaklaşımın öngörüleri sağladığı özellikleri görselleştirmek için kullanılmıştır. Önemli ölçüde yüksek doğruluk, hassasiyet, özgüllük, AUC ve Ağırlıklı Kappa Puanı %99,9'a kadar elde edildi ve derin öğrenme yaklaşımı kararlarına katkıda bulunan Wavelet görüntülerindeki bölgelerin görselleştirilmesi sağlandı. Önerilen çerçeve daha sonra, PD'nin doğasını daha iyi anlamada ve hastalığın klinik teşhisine ilişkin objektif ve kendinden emin bir fikir sağlamada hekimleri ve bilim adamlarını destekleyecek etkili bir bilgisayar destekli tanı aracı olarak hizmet edebilir.
Özgün kaynak özetini okuyun
Parkinson's disease (PD) is one of the most serious and challenging neurodegenerative disorders to diagnose. Clinical diagnosis on observing motor symptoms is the gold standard, yet by this point nerve cells are degenerated resulting in a lower efficacy of therapeutic treatments. In this study, we introduce a deep-learning approach based on a recently-proposed 20-Layer Convolutional Neural Network (CNN) applied on the visual realization of the Wavelet domain of a resting-state EEG. The proposed approach was able to efficiently and accurately detect PD as well as distinguish subjects with PD on medications from subjects who are off medication. The gradient-weighted class activation mapping (Grad-CAM) was used to visualize the features based on which the approach provided the predictions. A significantly high accuracy, sensitivity, specificity, AUC, and Weighted Kappa Score up to 99.9% were achieved and the visualization of the regions in the Wavelet images that contributed to the deep-learning approach decisions was provided. The proposed framework can then serve as an effective computer-aided diagnostic tool that will support physicians and scientists in further understanding the nature of PD and providing an objective and confident opinion regarding the clinical diagnosis of the disease.
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.