NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD), en yaygın ikinci nörodejeneratif hastalıktır. Doğru PD tanısı etkili tedavi ve prognoz için çok önemlidir, ancak özellikle erken hastalık aşamalarında zor olabilir. Bu çalışma, multimodal nörogörüntüleme verilerinden PD sınıflandırması için açıklanabilir bir derin öğrenme modeli geliştirmeyi ve değerlendirmeyi amaçladı. Model, T1 ağırlıklı ve difüzyon-tensörlü manyetik rezonans görüntüleme (MRI) veri kümelerinin en büyük koleksiyonlarından biri kullanılarak eğitildi. 611 PD hastası ve 653 sağlıklı kontrol (HC) olmak üzere sekiz farklı çalışmadan toplam 1264 veri seti toplandı. Bu veri kümeleri önceden işlenmiş ve doğrusal olmayan olarak MNI PD25 atlaslarına kaydedilmiştir. Yaş ve cinsiyet parametreleri ile tamamlanan beyin dokularının makro ve mikro yapısal bütünlüğünü tanımlayan altı görüntüleme haritası, PD / HC deneklerini sınıflandırmak için bir konvolüsyonel sinir ağı (CNN) eğitmek için kullanıldı. Modelin karar verme sürecinin açıklanabilirliği, önemli beyin bölgelerini vurgulayan SmoothGrad fayda haritaları kullanılarak elde edildi. CNN, teşhis, cinsiyet, yaş ve çalışma ile sınıflandırılan %75/%10/15 tren/doğrulama/test ayrımı kullanılarak eğitildi, 0,89 ROC-AUC, %80,8 doğruluk, %82,4 özgüllük ve %79,1 hassasiyetle test setinde elde edildi. Dayanıklılık haritaları, difüzyon tensör görüntüleme verilerinin, özellikle fraksiyonel anizotropinin, sınıflandırma için beyin sapı, talamus, amigdala, hipokampus ve kortikal alanlar gibi subkortikal bölgeleri vurgulayan T1 ağırlıklı verilerden daha önemli olduğunu ortaya koydu. Büyük bir multimodal MRI veri tabanında eğitim gören önerilen model, PD hastalarını ve HC konularını yüksek doğruluk ve klinik olarak makul açıklamalarla sınıflandırarak mikro yapısal beyin değişikliklerinin hastalık seyrinde önemli bir rol oynadığını öne sürebilir.
Özgün kaynak özetini okuyun
Parkinson's disease (PD) is the second most common neurodegenerative disease. Accurate PD diagnosis is crucial for effective treatment and prognosis but can be challenging, especially at early disease stages. This study aimed to develop and evaluate an explainable deep learning model for PD classification from multimodal neuroimaging data. The model was trained using one of the largest collections of T1-weighted and diffusion-tensor magnetic resonance imaging (MRI) datasets. A total of 1264 datasets from eight different studies were collected, including 611 PD patients and 653 healthy controls (HC). These datasets were pre-processed and non-linearly registered to the MNI PD25 atlas. Six imaging maps describing the macro- and micro-structural integrity of brain tissues complemented with age and sex parameters were used to train a convolutional neural network (CNN) to classify PD/HC subjects. Explainability of the model's decision-making was achieved using SmoothGrad saliency maps, highlighting important brain regions. The CNN was trained using a 75%/10%/15% train/validation/test split stratified by diagnosis, sex, age, and study, achieving a ROC-AUC of 0.89, accuracy of 80.8%, specificity of 82.4%, and sensitivity of 79.1% on the test set. Saliency maps revealed that diffusion tensor imaging data, especially fractional anisotropy, was more important for the classification than T1-weighted data, highlighting subcortical regions such as the brainstem, thalamus, amygdala, hippocampus, and cortical areas. The proposed model, trained on a large multimodal MRI database, can classify PD patients and HC subjects with high accuracy and clinically reasonable explanations, suggesting that micro-structural brain changes play an essential role in the disease course.
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.