NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
AmaçBu çalışmanın amacı, makine öğreniminin, beyincik gri madde ve beyaz maddeden çıkarılan doku özelliklerini kullanarak Parkinson hastalığının (PD) teşhisi için etkili bir model oluşturmak için kullanılıp kullanılamayacağını araştırmaktır, böylece çıplak gözle gözlemlenemeyen ince değişiklikleri tanımlamaktır.MetodBu çalışma, Haziran 2010 ile Mart 2023 tarihleri arasında, iki kohorttan 374 konu dahil olmak üzere bir veri toplama periyodunu içeriyordu. Parkinson İlerleme İşaretleyicileri Girişimi (PPMI), 24 küresel siteden kontrol grubu ve PD hastaları (HC: 102 ve PD: 102) ile birlikte eğitim seti olarak görev yaptı. Kurumumuzun verileri test seti olarak kullanıldı (HC: 91 ve PD: 79). Makine öğrenimi, beyincik gri ve beyaz maddesinin doku özelliklerine dayalı PD tanısı için birden fazla model oluşturmak için kullanıldı. Sonuçlar, her model için alıcının çalışma karakteristik eğrisinin (AUC) altındaki alanı hesaplayarak 5 kat çapraz doğrulama analizi yoluyla değerlendirmeye tabi tutuldu. Her modelin performansı Delong testi kullanılarak karşılaştırıldı ve optimize edilmiş modelin yorumlanabilirliği, Shapley ekleme açıklamaları (SHAP) kullanılarak daha da arttırıldı.SonuçlarDoğrulama veri kümesindeki tüm boru hatları için AUC'ler FeAture Explorer (FAE) yazılımı kullanılarak karşılaştırıldı. Kruskal-Wallis (KW) ve Lasso (LRLasso) aracılığıyla lojistik regresyon tarafından kurulan modeller arasında, AUC "tek standart hata" kuralını kullanarak en yüksekti. 'WM_orijinal_grrlm_GrayLevelNonUniformity' en kararlı ve öngörücü madde olarak kabul edildi.KonfüzyonBelirli gri maddenin doku özellikleri ve makine öğrenimi ile birleştirilen beyaz maddenin Parkinson tanısında potansiyel değeri olabilir.
Özgün kaynak özetini okuyun
ObjectiveThe purpose of this study is to explore whether machine learning can be used to establish an effective model for the diagnosis of Parkinson's disease (PD) by using texture features extracted from cerebellar gray matter and white matter, so as to identify subtle changes that cannot be observed by the naked eye.MethodThis study involved a data collection period from June 2010 to March 2023, including 374 subjects from two cohorts. The Parkinson's Progression Markers Initiative (PPMI) served as the training set, with control group and PD patients (HC: 102 and PD: 102) from 24 global sites. Our institution's data was utilized as the test set (HC: 91 and PD: 79). Machine learning was employed to establish multiple models for PD diagnosis based on texture features of the cerebellum's gray and white matter. Results underwent evaluation through 5-fold cross-validation analysis, calculating the area under the receiver operating characteristic curve (AUC) for each model. The performance of each model was compared using the Delong test, and the interpretability of the optimized model was further augmented by employing Shapley additive explanations (SHAP).ResultsThe AUCs for all pipelines in the validation dataset were compared using FeAture Explorer (FAE) software. Among the models established by Kruskal-Wallis (KW) and logistic regression via Lasso (LRLasso), the AUC was highest using the "one-standard error" rule. 'WM_original_glrlm_GrayLevelNonUniformity' was considered the most stable and predictive feature.ConclusionThe texture features of cerebellar gray matter and white matter combined with machine learning may have potential value in the diagnosis of Parkinson's disease, in which the heterogeneity of white matter may be a more valuable imaging marker.
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.