NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
AmaçRetinal görüntüler nörodejeneratif hastalık için zengin biyobelirteç bilgileri içerir. Son zamanlarda, derin öğrenme modelleri, iyi sonuçlarla retina görüntüleri kullanılarak otomatik nörodejeneratif hastalık tanısı ve risk tahmini için kullanılmıştır.MetodlarBu incelemede, sistematik olarak Alzheimer hastalığı, Huntington hastalığı, Parkinson hastalığı, amyotrofik lateral skleroz ve diğerleri de dahil olmak üzere nörodejeneratif hastalıkları olan hastalardan retina görüntülerinin veri kümeleri ile yapılan çalışmaları rapor ediyoruz. Ayrıca, nörodejeneratif hastalıkları olan hastalarda retina görüntülerini kullanarak sınıflandırma, regresyon veya segmentasyon problemleri için kullanılan mevcut literatürdeki modelleri gözden geçiriyor ve karakterize ediyoruz.SonuçlarBizim incelememiz, başta Alzheimer hastalığı olan hastalarda olmak üzere çeşitli görüntüleme yöntemlerine sahip birkaç mevcut veri kümesi ve model buldu, çoğu veri kümesi onlarca ila birkaç yüz görüntü sırasına sahipti. Diğer nörodejeneratif hastalıklar için sınırlı veri bulduk. Alzheimer hastalığı için kesitsel görüntüleme verileri daha bol hale gelmesine rağmen, herhangi bir hastalığın boyuna görüntülemesi ile veri setleri eksiktir.Sonuçlarİkili ve multimodal görüntülemenin meta verilerle birlikte kullanılması model performansını iyileştiriyor gibi görünmektedir, bu nedenle hasta meta verileri ile multimodal ikili görüntü veri setlerine ihtiyaç duyulmaktadır. Bu bağlamda özellikle retina görüntüleri için özellik çıkarma algoritmaları, retina görüntü ön işleme teknikleri, transfer öğrenme, özellik füzyonu ve dikkat haritalama gibi birçok derin öğrenme aracı belirledik. Önemli olarak, gerçek dünyadaki klinik uygulamalarda da bu modellerde yaygın olan sınırlamaları göz önünde bulundururuz.Translasyonel alakaBu sistematik inceleme, nörodejeneratif hastalığı olan hastaların retina görüntülerinin değerlendirilmesinde ilgili derin öğrenme modellerini ve retina özelliklerini değerlendirir.
Özgün kaynak özetini okuyun
PurposeRetinal images contain rich biomarker information for neurodegenerative disease. Recently, deep learning models have been used for automated neurodegenerative disease diagnosis and risk prediction using retinal images with good results.MethodsIn this review, we systematically report studies with datasets of retinal images from patients with neurodegenerative diseases, including Alzheimer's disease, Huntington's disease, Parkinson's disease, amyotrophic lateral sclerosis, and others. We also review and characterize the models in the current literature which have been used for classification, regression, or segmentation problems using retinal images in patients with neurodegenerative diseases.ResultsOur review found several existing datasets and models with various imaging modalities primarily in patients with Alzheimer's disease, with most datasets on the order of tens to a few hundred images. We found limited data available for the other neurodegenerative diseases. Although cross-sectional imaging data for Alzheimer's disease is becoming more abundant, datasets with longitudinal imaging of any disease are lacking.ConclusionsThe use of bilateral and multimodal imaging together with metadata seems to improve model performance, thus multimodal bilateral image datasets with patient metadata are needed. We identified several deep learning tools that have been useful in this context including feature extraction algorithms specifically for retinal images, retinal image preprocessing techniques, transfer learning, feature fusion, and attention mapping. Importantly, we also consider the limitations common to these models in real-world clinical applications.Translational relevanceThis systematic review evaluates the deep learning models and retinal features relevant in the evaluation of retinal images of patients with neurodegenerative disease.
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.