NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Alzheimer hastalığı (AD) ve Parkinson hastalığı (PD), nörodejeneratif hastalıkların en yaygın iki formudur. Literatür, etkili beyin bağlantısının (EBC) AD, PD ve sağlıklı kontroller (HC) arasındaki farklılıkları izleme potansiyeline sahip olduğunu göstermektedir. Bununla birlikte, hastalık tanısı araştırması için EBC tahminlerinin etkili bir şekilde nasıl kullanılacağı açık bir sorun olmaya devam etmektedir. Karmaşık beyin ağları ile başa çıkmak için, grafik sinir ağı (GNN) son yıllarda giderek daha popüler hale gelmiştir ve EBC ve GNN tekniklerini birleştirmenin etkinliği demans teşhisi alanında keşfedilmemiştir. Bu çalışmada, EBC tahminleri ve güç spektrum yoğunluğu (PSD) özelliklerinin görüntülenmesi üzerine GNN (DSL-GNN) öğrenen yeni bir yönlendirilmiş yapı geliştirildi ve gerçekleştirildi. GNN'deki önceki çalışmalara kıyasla, önerilen yaklaşımımız, EBC'de GNN'yi daha verimli bir şekilde gerçekleştirmenin temelini oluşturan yön bilgisinin işlenmesi için işlevselliği geliştirdi. Bu çalışmanın bir diğer katkısı, bir sınıflandırma görevinde aynı anda tek değişkenli ve çok değişkenli özelliklerin uygulanması için yeni bir çerçeve oluşturulmasıdır. Önerilen çerçeve ve DSL-GNN dört ayrımcılık görevinde doğrulanmıştır ve yaklaşımımız mevcut yöntemlere karşı en yüksek doğrulukla %94.0 (AD vs.) en iyi performansı sergilemiştir. HC), %94.2 (PD vs. HC), %97.4 (AD vs. PD) ve %93,0 (AD vs. PD vs. HC). Bir kelimeyle, bu araştırma, nedensel yön bilgisi içeren karmaşık beyin ağlarıyla başa çıkmak için sağlam bir analitik çerçeve sağlar ve en yaygın iki nörodejeneratif durumun teşhisinde umut verici bir potansiyel anlamına gelir.
Özgün kaynak özetini okuyun
Alzheimer's disease (AD) and Parkinson's disease (PD) are two of the most common forms of neurodegenerative diseases. The literature suggests that effective brain connectivity (EBC) has the potential to track differences between AD, PD and healthy controls (HC). However, how to effectively use EBC estimations for the research of disease diagnosis remains an open problem. To deal with complex brain networks, graph neural network (GNN) has been increasingly popular in very recent years and the effectiveness of combining EBC and GNN techniques has been unexplored in the field of dementia diagnosis. In this study, a novel directed structure learning GNN (DSL-GNN) was developed and performed on the imaging of EBC estimations and power spectrum density (PSD) features. In comparison to the previous studies on GNN, our proposed approach enhanced the functionality for processing directional information, which builds the basis for more efficiently performing GNN on EBC. Another contribution of this study is the creation of a new framework for applying univariate and multivariate features simultaneously in a classification task. The proposed framework and DSL-GNN are validated in four discrimination tasks and our approach exhibited the best performance, against the existing methods, with the highest accuracy of 94.0% (AD vs. HC), 94.2% (PD vs. HC), 97.4% (AD vs. PD) and 93.0% (AD vs. PD vs. HC). In a word, this research provides a robust analytical framework to deal with complex brain networks containing causal directional information and implies promising potential in the diagnosis of two of the most common neurodegenerative conditions.
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.