NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Simüle edilmiş tam beyin konektomları, veri işleme ve modelleme yaklaşımına bağlı olarak gelişmiş bireysel değişkenlik gösterir. İnsan beyin konektomunu bireyselleştirilmiş bir özellik olarak değerlendirerek, Parkinson hastalığı olan hastaları değişen veri işleme ve model doğrulaması ışığında sağlıklı kontrollere karşı sınıflandırmak için ampirik ve simüle edilmiş tam beyin konektomu kaynaklı özelliklerin nasıl kullanılabileceğini araştırıyoruz. Bu amaçla, hastalar ve kontroller arasındaki farklılıkları ortaya çıkarmak için nöronal popülasyonların elektrik sinyallerini simüle eden tam beyinli dinamik bir model tarafından elde edilen kan oksijenasyonu seviyesine bağlı sinyalleri simüle ettik. Dinamik modeli ampirik nörogörüntüleme verilerine uydurmak yoluyla yaygın olarak kullanılan model doğrulamasına ek olarak, davranışsal model uydurması olarak adlandırdığımız ve Parkinson hasta sınıflandırması için yararlı olabileceğini gösterdiğimiz konu sınıfları gibi davranışsal verilere karşı bir model doğrulaması icat ettik. Ayrıca, bu çalışmada bildirilen makine öğrenimi sonuçları, ampirik veriler simülasyon sonuçlarıyla tamamlandığında hasta sınıflandırmasının performansının geliştirilebileceğini de göstermiştir. Ayrıca, kan oksijenasyonu seviyesine bağlı sinyallerin zamansal filtrelemesinin, düşük frekanslı banttaki filtrelemenin Parkinson hasta sınıflandırması için tavsiye edildiği tahmin sonuçlarını etkilediğini gösterdik. Ayrıca, ampirik ve simüle edilmiş verilerin çoklu beyin parselleme şemalarından özellik alanını oluşturmak, tahmin performansını artıran tamamlayıcı özellikler sağladı. Bulgularımıza dayanarak, simülasyon sonuçlarını ampirik verilerle birleştirmenin bireyler arası araştırmalar ve klinik uygulamaları için etkili olduğunu öne sürüyoruz.
Özgün kaynak özetini okuyun
Simulated whole-brain connectomes demonstrate enhanced inter-individual variability depending on the data processing and modelling approach. By considering the human brain connectome as an individualized attribute, we investigate how empirical and simulated whole-brain connectome-derived features can be utilized to classify patients with Parkinson's disease against healthy controls in light of varying data processing and model validation. To this end, we applied simulated blood oxygenation level-dependent signals derived by a whole-brain dynamical model simulating electrical signals of neuronal populations to reveal differences between patients and controls. In addition to the widely used model validation via fitting the dynamical model to empirical neuroimaging data, we invented a model validation against behavioural data, such as subject classes, which we refer to as behavioural model fitting and show that it can be beneficial for Parkinsonian patient classification. Furthermore, the results of machine learning reported in this study also demonstrated that the performance of the patient classification can be improved when the empirical data are complemented by the simulation results. We also showed that the temporal filtering of blood oxygenation level-dependent signals influences the prediction results, where filtering in the low-frequency band is advisable for Parkinsonian patient classification. In addition, composing the feature space of empirical and simulated data from multiple brain parcellation schemes provided complementary features that improved prediction performance. Based on our findings, we suggest that combining the simulation results with empirical data is effective for inter-individual research and its clinical application.
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.