NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD), en yaygın progresif dejeneratif hastalıklardan biridir ve teşhisi klinik gerekçelerle zordur. Klinik olarak, PD'yi tespit etmek için etkili ve ölçülebilir biyobelirteçlere acilen ihtiyaç vardır. Çalışmamızda, iki merkezden gelen verileri analiz ettik, birincil set modeli eğitmek için kullanıldı ve modelimizi doğrulamak için bağımsız dış doğrulama seti kullanıldı. Radyomik özellikleri çıkarmak için düşük frekanslı dalgalanma (ALFF) tabanlı radyomik yönteminin genliğini uyguladık (ilk ve yüksek dereceli özellikler dahil). Daha sonra, t-testi ve en az mutlak büzülme ve seçim operatörü (LASSO) özellik seçimi ve veri boyutsallığı azaltma için kullanıldı ve ızgara arama yöntemi ve yuvalanmış 10 kat çapraz doğrulama, LASSO'nun optimal hiper parametreli lambdasını belirlemek ve modelin performansını değerlendirmek için uygulandı. PD ve sağlıklı kontrolleri olan hastaları sınıflandırmak için sınıflandırma modelini oluşturmak için bir destek vektör makinesi kullanıldı. Modelimizin, birincil sette iyi performans [doğruluk = %81,45 ve eğrinin altındaki alan (AUC) = 0.850] ve dış doğrulama setinde iyi genelleme (doğruluk = %67,44 ve AUC = 0.667) elde ettiğini bulduk. Ayrımcı özelliklerin çoğu yüksek dereceli radyomik özelliklerdi ve tanımlanmış beyin bölgeleri esas olarak sensorimotor ağ ve lateral parietal kortekste bulunuyordu. Çalışmamız, önerilen yöntemimizin PD ve HC'li hastaları, PD'nin potansiyel biyobelirteçleri olabilecek ALFF tabanlı radyomik özellikleri etkili bir şekilde sınıflandırabileceğini ve PD'nin patolojik mekanizması için daha fazla destek sağladığını, yani PD'nin sensorimotor ağdaki anormal beyin aktivitesi ve lateral parietal korteks ile ilişkili olabileceğini göstermiştir.
Özgün kaynak özetini okuyun
Parkinson's disease (PD) is one of the most common progressive degenerative diseases, and its diagnosis is challenging on clinical grounds. Clinically, effective and quantifiable biomarkers to detect PD are urgently needed. In our study, we analyzed data from two centers, the primary set was used to train the model, and the independent external validation set was used to validate our model. We applied amplitude of low-frequency fluctuation (ALFF)-based radiomics method to extract radiomics features (including first- and high-order features). Subsequently, t-test and least absolute shrinkage and selection operator (LASSO) were harnessed for feature selection and data dimensionality reduction, and grid search method and nested 10-fold cross-validation were applied to determine the optimal hyper-parameter λ of LASSO and evaluate the performance of the model, in which a support vector machine was used to construct the classification model to classify patients with PD and healthy controls (HCs). We found that our model achieved good performance [accuracy = 81.45% and area under the curve (AUC) = 0.850] in the primary set and good generalization in the external validation set (accuracy = 67.44% and AUC = 0.667). Most of the discriminative features were high-order radiomics features, and the identified brain regions were mainly located in the sensorimotor network and lateral parietal cortex. Our study indicated that our proposed method can effectively classify patients with PD and HCs, ALFF-based radiomics features that might be potential biomarkers of PD, and provided further support for the pathological mechanism of PD, that is, PD may be related to abnormal brain activity in the sensorimotor network and lateral parietal cortex.
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.