NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
AmaçlarBu çalışma, idiyopatik Parkinson hastalığı (PD) ve çoklu sistem atrofisi (MSA) arasında ayrım yapmada, konvansiyonel T1 ağırlıklı görüntüleme (T1WI) ve duyarlılık ağırlıklı görüntüleme (SWI) den çoklu parametrelere sahip radyomiklerin potansiyelini araştırmayı amaçlamaktadır.PD'li 57 hasta, MSA'lı 74 ve 70 sağlıklı kontrol (HCs) bireyi dahil olmak üzere toplam 201 katılımcı, T1WI ve SWI taramalarına maruz kaldı. 12 subkortikal çekirdekten (örneğin kırmızı çekirdek, substantia nigra, subtalamik çekirdek, putamen, globus pallidus ve kaudat çekirdeği), T1WI ve SWI taramalarından 2640 radyomik özellik çıkarıldı. Üç sınıflandırma modeli - lojistik regresyon (LR), destek vektör makinesi (SVM) ve hafif gradyan arttırıcı makine (LGBM) - MSA ve PD'nin yanı sıra MSA, PD ve HC arasında ayrım yapmak için kullanıldı. Bu sınıflandırmalar, T1WI, SWI ve T1WI ve SWI'nin birleşiminden çıkarılan özelliklere dayanıyordu. Beş katlı çapraz doğrulama, modellerin performansını hassasiyet, özgüllük, doğruluk ve alıcı çalışma eğrisinin (AUC) altındaki alan gibi metriklerle değerlendirmek için kullanıldı. Her katlama sırasında, ANOVA ve en az mutlak büzülme ve seçim operatörü (LASSO) yöntemleri, model eğitim süreci için özelliklerin en alakalı alt kümesini tanımlamak için kullanıldı.SonuçlarT1WI ve SWI'nin özellikleri kombinasyonu tarafından eğitilen LGBM modeli, MSA vs.'nin hem üç sınıflı sınıflandırma görevinde hem de en üstün diferansiyel performansı sergiledi. PD vs. HC ve MSA vs ikili sınıflandırma görevi. PD, 0,814 ve 0,854 doğrulukla ve sırasıyla 0,904 ve 0,881 AUC ile. SN'nin doku tabanlı farklılıkları (GLCM) ve GP'nin şekil tabanlı farklılıkları, sırasıyla üç sınıf ve iki sınıf arasında ayrım yapmada son derece etkili olmuştur.T1WI ve SWI'yi birleştiren radyomik özellikler, PD, MSA ve HC gruplarının yanı sıra PD ve MSA grupları için tatmin edici bir diferansiyel tanı elde edebilir ve böylece rutin MR dizilerine dayalı klinik karar verme için yararlı bir araç sağlar.
Özgün kaynak özetini okuyun
ObjectivesThis study aims to investigate the potential of radiomics with multiple parameters from conventional T1 weighted imaging (T1WI) and susceptibility weighted imaging (SWI) in distinguishing between idiopathic Parkinson's disease (PD) and multiple system atrophy (MSA).MethodsA total of 201 participants, including 57 patients with PD, 74 with MSA, and 70 healthy control (HCs) individuals, underwent T1WI and SWI scans. From the 12 subcortical nuclei (e.g. red nucleus, substantia nigra, subthalamic nucleus, putamen, globus pallidus, and caudate nucleus), 2640 radiomic features were extracted from both T1WI and SWI scans. Three classification models - logistic regression (LR), support vector machine (SVM), and light gradient boosting machine (LGBM) - were used to distinguish between MSA and PD, as well as among MSA, PD, and HC. These classifications were based on features extracted from T1WI, SWI, and a combination of T1WI and SWI. Five-fold cross-validation was used to evaluate the performance of the models with metrics such as sensitivity, specificity, accuracy, and area under the receiver operating curve (AUC). During each fold, the ANOVA and least absolute shrinkage and selection operator (LASSO) methods were used to identify the most relevant subset of features for the model training process.ResultsThe LGBM model trained by the features combination of T1WI and SWI exhibited the most outstanding differential performance in both the three-class classification task of MSA vs. PD vs. HC and the binary classification task of MSA vs. PD, with an accuracy of 0.814 and 0.854, and an AUC of 0.904 and 0.881, respectively. The texture-based differences (GLCM) of the SN and the shape-based differences of the GP were highly effective in discriminating between the three classes and two classes, respectively.ConclusionsRadiomic features combining T1WI and SWI can achieve a satisfactory differential diagnosis for PD, MSA, and HC groups, as well as for PD and MSA groups, thus providing a useful tool for clinical decision-making based on routine MRI sequences.
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.