Diffusion Tensor Imaging Radiomics for Diagnosis of Parkinson's Disease.

Araştırma özeti

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

Parkinson Hastalığının (PD) klinik semptomlara ve ölçek puanlarına dayanan arka plan tanısı çoğunlukla objektiftir ve PD tanısı için nörogörüntülemenin doğruluğu tartışmalıdır. Bu çalışma Difüzyon Tensor Görüntüleme (DTI) metriklerine dayalı tanının hassasiyetini ve özgüllüğünü artırmak için bir radyomik araç sunmayı amaçlamaktadır.MetodlarBu makine öğrenimine dayalı retrospektif çalışmada, 54 sağlıklı kontrol (HC) ve 56 PD hastadan temel klinik bilgiler ve DTI görüntüleri topladık. Bunların arasında 60 denek (30 PD hasta ve 30 HC) eğitim grubuna atanırken, test kohortu 26 PD hasta ve 24 HC idi. Yeni geliştirilen görüntü işleme yazılımı Ray-plus kullanılarak özellik çıkarma ve seçimden sonra, LASSO regresyon radyomik özellikleri finalize etmek için kullanıldı.Sonuçlar Toplam 4600 radyomik özellik çıkarıldı, bunlardan 12'si sonunda seçildi. Eğitim grubunda AUC (konu çalışma eğrisi altında alan) değerleri, doğrulama grubu ve genel olarak sırasıyla 0.911, 0.931 ve 0.919 idi.ConclusionBu çalışma, DTI görüntülerine dayalı yeni bir radyometrik ve bilgisayar algoritması tanıttı, bu da PD taramasının hassasiyetini ve özgüllüğünü artırmaya yardımcı olabilir.

Özgün kaynak özetini okuyun

BackgroundDiagnosis of Parkinson's Disease (PD) based on clinical symptoms and scale scores is mostly objective, and the accuracy of neuroimaging for PD diagnosis remains controversial. This study aims to introduce a radiomic tool to improve the sensitivity and specificity of diagnosis based on Diffusion Tensor Imaging (DTI) metrics.MethodsIn this machine learning-based retrospective study, we collected basic clinical information and DTI images from 54 healthy controls (HCs) and 56 PD patients. Among them, 60 subjects (30 PD patients and 30 HCs) were assigned to the training group, whereas the test cohort was 26 PD patients and 24 HCs. After the feature extraction and selection using newly developed image processing software Ray-plus, LASSO regression was used to finalize radiomic features.ResultsA total of 4600 radiomic features were extracted, of which 12 were finally selected. The values of the AUC (area under the subject operating curve) in the training group, the validation group, and overall were 0.911, 0.931, and 0.919, respectively.ConclusionThis study introduced a novel radiometric and computer algorithm based on DTI images, which can help increase the sensitivity and specificity of PD screening.

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.