NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Makine öğreniminde, veriler genellikle farklı kaynaklardan gelir, ancak bunları birleştirmek hem genellemeyi hem de yorumlanabilirliği etkileyen yabancı varyasyonları tanıtabilir. Örneğin, çoklu nörogörüntüleme merkezlerinden toplanan FDG-PET verilerini kullanarak nörodejeneratif hastalıkların sınıflandırılmasını araştırıyoruz. Bununla birlikte, farklı merkezlerde toplanan veriler, tarayıcılardaki farklılıklar, tarama protokolleri ve işleme yöntemleri nedeniyle istenmeyen varyasyonları tanıtmaktadır. Bu konuyu ele almak için, merkeze bağımlı varyasyonun sağlıklı kontrollerin sınıflandırılması üzerindeki etkisini ve geç evre Parkinson hastalarına karşı iki aşamalı bir yaklaşım önermekteyiz. İlk olarak, merkezleri birbirinden ayıran bir "ilişki alanı" belirlemek için sağlıklı kontrol verileri üzerinde genelleştirilmiş bir Matrix Öğrenme Vektör niceliği (GMLVQ) modelini eğitiyoruz. İkinci olarak, bu alanı ikinci bir GMLVQ sisteminin tanı problemi üzerindeki eğitimini kısıtlayan bir düzeltme matrisi oluşturmak için kullanıyoruz. Bu yaklaşımın gerçek dünyadaki çok merkezli veri kümeleri ve simüle edilmiş yapay veri kümesi üzerindeki etkinliğini değerlendiriyoruz. Sonuçlarımız, yaklaşımın, eğitim süreci boyunca merkez farklılıklarıyla ilgili bilgileri ortadan kaldırması nedeniyle daha spesifik olmak ve tıp uzmanları tarafından yorumlanabilecek daha bilgilendirici alaka profilleri olmak üzere, düşük taraflı makine öğrenme sistemleri ürettiğini göstermektedir. Bu yöntem, düzeltme matrisini oluşturmak için uygun bir "ilişki uzayı" tanımlanabildiği sürece, nörogörüntüleme alanı dışındaki benzer sorunlara uyarlanabilir.
Özgün kaynak özetini okuyun
In machine learning, data often comes from different sources, but combining them can introduce extraneous variation that affects both generalization and interpretability. For example, we investigate the classification of neurodegenerative diseases using FDG-PET data collected from multiple neuroimaging centers. However, data collected at different centers introduces unwanted variation due to differences in scanners, scanning protocols, and processing methods. To address this issue, we propose a two-step approach to limit the influence of center-dependent variation on the classification of healthy controls and early vs. late-stage Parkinson's disease patients. First, we train a Generalized Matrix Learning Vector Quantization (GMLVQ) model on healthy control data to identify a "relevance space" that distinguishes between centers. Second, we use this space to construct a correction matrix that restricts a second GMLVQ system's training on the diagnostic problem. We evaluate the effectiveness of this approach on the real-world multi-center datasets and simulated artificial dataset. Our results demonstrate that the approach produces machine learning systems with reduced bias - being more specific due to eliminating information related to center differences during the training process - and more informative relevance profiles that can be interpreted by medical experts. This method can be adapted to similar problems outside the neuroimaging domain, as long as an appropriate "relevance space" can be identified to construct the correction matrix.
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.