NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Hem esansiyel titreme (ET) hem de Parkinson hastalığı (PD) hareket bozuklukları olduğundan ve benzer klinik semptomları paylaştığından, ET ve PD'nin sunumu, seyri ve tedavisindeki farklılıkları tanımak çok zordur, bu da yaygın olarak yanlış teşhis edilmesine neden olur. ET ve PD'nin nörogörüntüleyici biyobelirtecisi istatistiksel analize dayanarak araştırılmış olsa da, ET ve PD'nin klinik teşhisine yardımcı olamaz ve bu biyobelirleyicilerin verimliliğini garanti edemez. Çalışmanın amacı ET ve PD'nin nörogörüntüleyici biyobelirteçlerini yapısal manyetik rezonans görüntülemeye (MRI) dayalı olarak tanımlamaktı. Dahası, çalışma ayrıca sınıflandırma performansını doğrulamak için bu biyobelirteçler aracılığıyla ET'yi PD'den ayırt etti.MetodlarBu çalışma ET ve PD'yi tanımlamak ve ayırt etmek için üç seviyeli bir makine öğrenme çerçevesi geliştirdi ve uyguladı. Her şeyden önce, model düzeyindeki değerlendirmede, hastaların grup farklılıklarını (ET/PD) normal kontrollerle (NC) tanımlamak için arama ışığı tabanlı makine öğrenimi yöntemi kullanılmıştır. Sonra, özellik düzeyindeki değerlendirmede, grup farklılıklarının stabilitesi, sağlam nörogörüntüleyici biyobelirteçleri tanımlamak için permütasyon testi kullanılarak ayrı ayrı yapısal beyin atlaslarına göre test edilmiştir. Ayrıca, ET ve PD'nin tanımlanmış biyobelirteçleri, ET'yi makine öğrenme tekniklerine dayalı olarak PD'den sınıflandırmak için uygulanmıştır. Son olarak, tanımlanan biyobelirteçler biyoloji düzeyindeki değerlendirmenin önceki bulguları ile karşılaştırılmıştır.SonuçlarMakine öğrenimi ile tanımlanan biyobelirteçlere göre, bu çalışma ET ve PD arasında büyük örtüşme ve ET ve büyük örtüşme için gri maddenin (GM) yaygın değişiklikler tespit etti ve üstün sınıflandırma performansı elde etti (PCA + SVM, doğruluk =% 100).Bu çalışma, ET ve PD'yi tanımlamak ve ayırt etmek için bir makine öğrenme çerçevesinin önemini göstermiştir. PD ve ET arasında ayrım yapmak için makine öğrenimi tekniklerinin potansiyel klinik uygulamasını doğrulamak için büyük bir veri seti kullanan gelecekteki çalışmalara ihtiyaç vardır.
Özgün kaynak özetini okuyun
BackgroundSince both essential tremor (ET) and Parkinson's disease (PD) are movement disorders and share similar clinical symptoms, it is very difficult to recognize the differences in the presentation, course, and treatment of ET and PD, which leads to misdiagnosed commonly.PurposeAlthough neuroimaging biomarker of ET and PD has been investigated based on statistical analysis, it is unable to assist the clinical diagnosis of ET and PD and ensure the efficiency of these biomarkers. The aim of the study was to identify the neuroimaging biomarkers of ET and PD based on structural magnetic resonance imaging (MRI). Moreover, the study also distinguished ET from PD via these biomarkers to validate their classification performance.MethodsThis study has developed and implemented a three-level machine learning framework to identify and distinguish ET and PD. First of all, at the model-level assessment, the searchlight-based machine learning method has been used to identify the group differences of patients (ET/PD) with normal controls (NCs). And then, at the feature-level assessment, the stability of group differences has been tested based on structural brain atlas separately using the permutation test to identify the robust neuroimaging biomarkers. Furthermore, the identified biomarkers of ET and PD have been applied to classify ET from PD based on machine learning techniques. Finally, the identified biomarkers have been compared with the previous findings of the biology-level assessment.ResultsAccording to the biomarkers identified by machine learning, this study has found widespread alterations of gray matter (GM) for ET and large overlap between ET and PD and achieved superior classification performance (PCA + SVM, accuracy = 100%).ConclusionsThis study has demonstrated the significance of a machine learning framework to identify and distinguish ET and PD. Future studies using a large data set are needed to confirm the potential clinical application of machine learning techniques to discern between PD and ET.
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.