NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Eylem-kavram sonuçları Parkinson hastalığı (PD) hastalarını tanımlamak ve hafif bilişsel bozukluğu olan ve olmayanlar (PD-MCI, PD-nMCI) arasında ayrım yapmak için yararlı hedeflerdir. Yine de, çoğu yaklaşım, yükleyici denetçiye bağımlı görevleri kullanır ve bunların faydasını sınırlar. Doğal konuşmada eylem-kavram işaretlerini otomatik olarak yakalayan bir çerçeve tanıtıyoruz. Her iki alt grup ve kontrolden gelen hastalar, bir eylem yüklü ve eylemsiz yüklü bir metni (AT, nAT) yeniden anlattılar. Her tekrarlamada, ANCOVA'lar (bilişsel işlev bozukluğu için kontrol) ve destek vektör makineleri aracılığıyla analiz etmek için otomatik Yakınlık-Referans-Semantik-Field (P-RSF) metriğimiz aracılığıyla eylem ve eylem dışı kavramları tarttık. Hastalar AT (ama nAT) P-RSF skorlarına göre kontrollerden ayırt edildi. Aynı durum PD-nMCI hastalarında da görülmüştür. Tersine, PD-MCI hastaları her iki metin için de azaltılmış P-RSF puanları sergiledi. Hasta alt grupları arasındaki doğrudan ayrımcılık sistematik değildi, ancak AT puanları yoluyla en iyi sonuçları verdi. Yaklaşımımız, korpus kaynaklı gömmelere dayanan sınıflandırıcıları geride bıraktı. Bu çerçeve, PD teşhisini ve fenotipasyonu desteklemek için ölçeklenebilir yollar açar.
Özgün kaynak özetini okuyun
Action-concept outcomes are useful targets to identify Parkinson's disease (PD) patients and differentiate between those with and without mild cognitive impairment (PD-MCI, PD-nMCI). Yet, most approaches employ burdensome examiner-dependent tasks, limiting their utility. We introduce a framework capturing action-concept markers automatically in natural speech. Patients from both subgroups and controls retold an action-laden and a non-action-laden text (AT, nAT). In each retelling, we weighed action and non-action concepts through our automated Proximity-to-Reference-Semantic-Field (P-RSF) metric, for analysis via ANCOVAs (controlling for cognitive dysfunction) and support vector machines. Patients were differentiated from controls based on AT (but not nAT) P-RSF scores. The same occurred in PD-nMCI patients. Conversely, PD-MCI patients exhibited reduced P-RSF scores for both texts. Direct discrimination between patient subgroups was not systematic, but it yielded best outcomes via AT scores. Our approach outperformed classifiers based on corpus-derived embeddings. This framework opens scalable avenues to support PD diagnosis and phenotyping.
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.