NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Son yıllarda Yapay Zeka, sağlık profesyonellerine nörodejeneratif hastalıkların tespiti ve teşhisinde yardımcı olmak için kullanılmıştır. Bu çalışmada, fonksiyonel Manyetik Rezonans Görüntüleme sinyallerini analiz etmek ve Parkinson hastalığı hastaları ile Makine Öğrenimi algoritmalarını kullanan sağlıklı katılımcılar arasında sınıflandırma yapmak için bir metodoloji önermektedir. Ayrıca, önerilen yaklaşım, hastalıktan etkilenen beyin bölgeleri hakkında bilgi sağlar. PPMI ve 1000-FCP veri kümelerinden fonksiyonel Manyetik Rezonans Görüntüleme, katılımcı başına 200 beyin bölgesinden zaman serisi çıkarmak için önceden işlendi ve 11.600 özellik elde edildi. Nedensel Orman ve Sarıcı Özellik Alt kümesi Seçim algoritmaları boyutsallık azaltma için kullanıldı, bu da heterojenliklerine ve hastalıkla olan ilişkilerine dayanan bir özellik alt kümesine neden oldu. PD tespitini gerçekleştirmek için Logistic Regression ve XGBoost algoritmalarını kullandık, %97,6 doğruluk, %97,5 F1 puanı, %97,9 hassasiyet ve %97,7 geri çağırma, erkek ve kadın dahil olmak üzere bir popülasyonda 300'den az özelliğe sahip setleri analiz ederek. Son olarak, beyin bölgeleri ve her grup arasındaki ilişkileri görselleştirmek için Çoklu Yanıt Analizi kullanıldı (Parkinsonlu kadınlar, kadın kontrolleri, Parkinsonlu erkekler, erkek kontrolleri). Birleştirilmiş Parkinson Hastalığı Ölçeği anket sonuçları ile farklı gruplardaki etkilenen beyin bölgeleri arasındaki ilişki de metodolojinin başka bir kullanım durumunu göstermek için elde edilmiştir. Bu çalışma, (1) hastaları ve kontrolleri Makine Öğrenimi ve Nedensel Orman algoritması ile sınıflandırmak ve (2) beyin bölgeleri ve gruplar arasındaki ilişkileri görselleştirmek, yüksek doğruluk sınıflandırması ve belirli beyin bölgeleri ile hastalık arasındaki korelasyonun farklı gruplar arasında daha iyi yorumlanabilirliğini sağlamak için bir metodoloji önermektedir.
Özgün kaynak özetini okuyun
In recent years, Artificial Intelligence has been used to assist healthcare professionals in detecting and diagnosing neurodegenerative diseases. In this study, we propose a methodology to analyze functional Magnetic Resonance Imaging signals and perform classification between Parkinson's disease patients and healthy participants using Machine Learning algorithms. In addition, the proposed approach provides insights into the brain regions affected by the disease. The functional Magnetic Resonance Imaging from the PPMI and 1000-FCP datasets were pre-processed to extract time series from 200 brain regions per participant, resulting in 11,600 features. Causal Forest and Wrapper Feature Subset Selection algorithms were used for dimensionality reduction, resulting in a subset of features based on their heterogeneity and association with the disease. We utilized Logistic Regression and XGBoost algorithms to perform PD detection, achieving 97.6% accuracy, 97.5% F1 score, 97.9% precision, and 97.7%recall by analyzing sets with fewer than 300 features in a population including men and women. Finally, Multiple Correspondence Analysis was employed to visualize the relationships between brain regions and each group (women with Parkinson, female controls, men with Parkinson, male controls). Associations between the Unified Parkinson's Disease Rating Scale questionnaire results and affected brain regions in different groups were also obtained to show another use case of the methodology. This work proposes a methodology to (1) classify patients and controls with Machine Learning and Causal Forest algorithm and (2) visualize associations between brain regions and groups, providing high-accuracy classification and enhanced interpretability of the correlation between specific brain regions and the disease across different groups.
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.