Machine Learning for Early Parkinson's Disease Identification within SWEDD Group Using Clinical and DaTSCAN SPECT Imaging Features.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Erken Parkinson Hastalığı (PD) tanısı, tedavi sürecinde kritik bir zorluktur. Bu zorluğun üstesinden gelmek hastalar için uygun planlamayı sağlar. Bununla birlikte, Dopaminerjik Eksikliğin Kanıtı Olmadan Tarama (SWEDD), klinik ve görüntüleme özelliklerinde PD hastaları ve Sağlıklı Kontroller (HC) heterojen bir gruptur. Makine Öğrenimi (ML) temelli tanı araçlarının uygulanması, bir SWEDD grubu içindeki HC denekleri ve PD hastaları arasında ayrım yapabilme yeteneğine sahip oldukları için burada devreye girer. Bu çalışmada, PD hastalarını bir SWEDD grubu içinde HC'den ayırmak için üç ML algoritması kullanılmıştır. 548 denek verisi ilk olarak Ana Bileşen Analizi (PCA) ve Doğrusal Ayrımcı Analiz (LDA) teknikleri ile analiz edildi. En iyi indirgeme tekniği sonucunu kullanarak aşağıdaki kümeleme modellerini inşa ettik: Yoğunluk Tabanlı Mekansal (DBSCAN), K-anlamları ve Hiyerarşik Kümeleme. Bulgularımıza göre, LDA PCA'dan daha iyi performans gösterir; bu nedenle, LDA kümeleme modelleri için girdi olarak kullanılmıştır. Farklı modellerin performansları, bir takip sonrasında kümeleme algoritmaları sonuçlarını zemin gerçeği ile karşılaştırarak değerlendirildi. Hiyerarşik Kümeleme, doğruluk, hassasiyet ve özgüllük açısından DBSCAN ve K-anlamlı algoritmaları %64, %78,13 ve %38,89 oranında aştı. Önerilen yöntem, ML modellerinin PD hastalarını bir SWEDD grubu içindeki HC deneklerden ayırt etme uygunluğunu gösterdi.

Özgün kaynak özetini okuyun

Early Parkinson's Disease (PD) diagnosis is a critical challenge in the treatment process. Meeting this challenge allows appropriate planning for patients. However, Scan Without Evidence of Dopaminergic Deficit (SWEDD) is a heterogeneous group of PD patients and Healthy Controls (HC) in clinical and imaging features. The application of diagnostic tools based on Machine Learning (ML) comes into play here as they are capable of distinguishing between HC subjects and PD patients within an SWEDD group. In the present study, three ML algorithms were used to separate PD patients from HC within an SWEDD group. Data of 548 subjects were firstly analyzed by Principal Component Analysis (PCA) and Linear Discriminant Analysis (LDA) techniques. Using the best reduction technique result, we built the following clustering models: Density-Based Spatial (DBSCAN), K-means and Hierarchical Clustering. According to our findings, LDA performs better than PCA; therefore, LDA was used as input for the clustering models. The different models' performances were assessed by comparing the clustering algorithms outcomes with the ground truth after a follow-up. Hierarchical Clustering surpassed DBSCAN and K-means algorithms by 64%, 78.13% and 38.89% in terms of accuracy, sensitivity and specificity. The proposed method demonstrated the suitability of ML models to distinguish PD patients from HC subjects within an SWEDD group.

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.