NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Manyetik rezonans görüntüleme (MRI) nörodejeneratif hastalıkların tanı ve prognozunda giderek daha önemli bir rol oynar. MRI'nın kapsamlı klinik kullanım alanlarından biri dejeneratif bozuklukların doğru ve otomatik sınıflandırılmasıdır. Mevcut sınıflandırma çalışmalarının çoğu, hastaların hastalığın erken evrelerini, komorbiditelerini veya atipik varyantlarını sergileyebileceği tıbbi uygulamaları yansıtmaz veya olasılıksal tahminler üretemezler veya belirsizlikleri hesaba katmazlar. Ayrıca, nörodejeneratif süreçlerin neden olduğu beyin değişikliklerinin mekansal heterojenliği genellikle dikkate alınmaz, nöronal kaybın mekansal konfigürasyonuna rağmen her bozukluk için karakteristik bir özelliktir. Bu makalede, sağlıklı denekler ve hastalar arasında dört farklı nörodejeneratif hastalıktan ayırt etmek için belirsizlik ve mekansal bilgileri içeren bir sınıflandırma tekniği önermekteyiz: Alzheimer hastalığı, hafif bilişsel bozukluk, Parkinson hastalığı ve Multipl Skleroz. MRI'dan nörodejenerasyon özelliklerini çıkarmak için üç boyutlu sinir ağını birleştiren mekansal olarak bilgilendirilmiş Bayesian sinir ağı (SBNN), tanıdaki belirsizliği açıklamak için Bayesian çıkarımı ve serebral mekansal bilgiyi kodlamak için gizli Markov rastgele alanlarını kullanarak mekansal olarak bilgilendirilmiş bir MRI görüntüsü tanıtıyoruz. SBNN modeli, uzamsal olarak bilgilendirilmiş bir MRI taraması ekleyerek sınıflandırma doğruluğunun %25'e kadar arttığını göstermektedir. Dahası, SBNN klinik karar vermeyi andıran ve nörodejeneratif bozuklukların heterojen tıbbi sunumlarını açıklayabilecek sağlam bir olasılıksal tanı sağlar.
Özgün kaynak özetini okuyun
Magnetic resonance imaging (MRI) plays an increasingly important role in the diagnosis and prognosis of neurodegenerative diseases. One field of extensive clinical use of MRI is the accurate and automated classification of degenerative disorders. Most of current classification studies either do not mirror medical practice where patients may exhibit early stages of the disease, comorbidities, or atypical variants, or they are not able to produce probabilistic predictions nor account for uncertainty. Also, the spatial heterogeneity of the brain alterations caused by neurodegenerative processes is not usually considered, despite the spatial configuration of the neuronal loss is a characteristic hallmark for each disorder. In this article, we propose a classification technique that incorporates uncertainty and spatial information for distinguishing between healthy subjects and patients from four distinct neurodegenerative diseases: Alzheimer's disease, mild cognitive impairment, Parkinson's disease, and Multiple Sclerosis. We introduce a spatially informed Bayesian neural network (SBNN) that combines a three-dimensional neural network to extract neurodegeneration features from MRI, Bayesian inference to account for uncertainty in diagnosis, and a spatially informed MRI image using hidden Markov random fields to encode cerebral spatial information. The SBNN model demonstrates that classification accuracy increases up to 25% by including a spatially informed MRI scan. Furthermore, the SBNN provides a robust probabilistic diagnosis that resembles clinical decision-making and can account for the heterogeneous medical presentations of neurodegenerative disorders.
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.