NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Son çalışmalarda, atipik parkinson sendromunda demir aşırı yüklenmesi bildirilmiştir. Derin beyin çekirdeklerindeki demir dağılımının topografik kalıpları, altta yatan hastalık patolojilerinden etkilenen her bir parkinson sendromu alt türüne göre değişir. Bu çalışmada, duyarlılık ağırlıklı görüntüleme (SWI) kullanarak hastalığa özgü demir birikimi modellerini otomatik olarak analiz eden yeni bir çerçeve geliştirdik. SWI'den çıkarılan radyomik özellikleri kullanarak hastalıkları sınıflandırabilen, her bozukluk için farklı demir dağıtım modellerini temsil eden çeşitli makine öğrenme modelleri inşa ettik. Radyomik özellikler ilgi alanına duyarlı olduğundan, derin beyin çekirdeklerinin segmentasyonunu iyileştirmek için T1 ağırlıklı MRI ve SWI kombinasyonunu kullandık. Radyomik, parkinsonian varyantı çoklu sistem atrofisi olan 34 hastadan, serebellar varyantı çoklu sistem atrofisi olan 21 hastadan, progresif supranükleer palsili 17 hastadan ve Parkinson hastalığı olan 56 hastadan SWI'ya uygulandı. Demir yansımalı segmentasyon sonuçlarından elde edilen radyomik özellikleri öğrenen makine öğrenme sınıflandırıcıları, alıcının çalışma karakteristik eğrisi (AUC) altında ortalama bir alan üretti ve test verileri üzerinde 0.8607, sadece T1 ağırlıklı görüntüler kullanarak segmentasyon ile geleneksel sınıflandırıcıdan daha üstün olan 0.8489 çıktı. Hibrit görüntülere dayanan radyomik modelimiz, atipik parkinson sendromunu otomatik olarak ayırt etmek için umut verici bir araçtır.
Özgün kaynak özetini okuyun
In recent studies, iron overload has been reported in atypical parkinsonian syndromes. The topographic patterns of iron distribution in deep brain nuclei vary by each subtype of parkinsonian syndrome, which is affected by underlying disease pathologies. In this study, we developed a novel framework that automatically analyzes the disease-specific patterns of iron accumulation using susceptibility weighted imaging (SWI). We constructed various machine learning models that can classify diseases using radiomic features extracted from SWI, representing distinctive iron distribution patterns for each disorder. Since radiomic features are sensitive to the region of interest, we used a combination of T1-weighted MRI and SWI to improve the segmentation of deep brain nuclei. Radiomics was applied to SWI from 34 patients with a parkinsonian variant of multiple system atrophy, 21 patients with cerebellar variant multiple system atrophy, 17 patients with progressive supranuclear palsy, and 56 patients with Parkinson's disease. The machine learning classifiers that learn the radiomic features extracted from iron-reflected segmentation results produced an average area under receiver operating characteristic curve (AUC) of 0.8607 on the training data and 0.8489 on the testing data, which is superior to the conventional classifier with segmentation using only T1-weighted images. Our radiomic model based on the hybrid images is a promising tool for automatically differentiating atypical parkinsonian syndromes.
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.