Radiomics-Guided Deep Learning Networks Classify Differential Diagnosis of Parkinsonism.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Atipik Parkinson sendromu arasındaki ayırıcı tanı zorlayıcı ve kritik olabilir. Yorumlanabilir DL özelliklerini keşfetmek ve Parkinson sendromlarının ayırıcı teşhisi yoluyla önerilen modeli daha da doğrulamak için radyomik güdümlü derin öğrenme (DL) modelini önerdik. 18F-florodeoksiglukoz pozitron emisyon tomografisi (18F-FDG PET) taraması için, 220 sağlıklı kontrol ve idiyopatik Parkinson hastalığı (IPD), çoklu sistem atrofisi (MSA) veya progresif supranükleer palsi (PSP) tanısı alan 1275 hasta dahil olmak üzere 1495 denek topladık. Temel radyomik ve Parkinson teşhisi için iki DL modeli geliştirildi ve test edildi. DL gizli özellikleri son katmandan çıkarıldı ve daha sonra radyomik tarafından yönlendirildi. Radyomik güdümlü DL modeli, temel radyomik yaklaşımından daha iyi performans göstererek DL yaklaşımının etkinliğini düşündürdü. DenseNet, test veri kümesinde tutulan DL özelliklerini kullanarak en iyi tanı yeteneğini (duyarlılık: sırasıyla% 95,7,% 90,1 ve IPD, MSA ve PSP için% 91.2) gösterdi. Korunan DL gizli özellikleri önemli ölçüde radyomik özellikleri ile ilişkiliydi ve el yapımı radyomik özelliklerinin biyolojik açıklamaları ile yorumlanabilirdi. Radyomik güdümlü DL modeli, Parkinson bozukluklarının ayırıcı teşhisi için yorumlanabilir üst düzey soyut bilgiler sunar ve kişiselleştirilmiş hastalık izleme için önemli bir vaatte bulunur.

Özgün kaynak özetini okuyun

The differential diagnosis between atypical Parkinsonian syndromes may be challenging and critical. We aimed to proposed a radiomics-guided deep learning (DL) model to discover interpretable DL features and further verify the proposed model through the differential diagnosis of Parkinsonian syndromes. We recruited 1495 subjects for 18F-fluorodeoxyglucose positron emission tomography (18F-FDG PET) scanning, including 220 healthy controls and 1275 patients diagnosed with idiopathic Parkinson's disease (IPD), multiple system atrophy (MSA), or progressive supranuclear palsy (PSP). Baseline radiomics and two DL models were developed and tested for the Parkinsonian diagnosis. The DL latent features were extracted from the last layer and subsequently guided by radiomics. The radiomics-guided DL model outperformed the baseline radiomics approach, suggesting the effectiveness of the DL approach. DenseNet showed the best diagnosis ability (sensitivity: 95.7%, 90.1%, and 91.2% for IPD, MSA, and PSP, respectively) using retained DL features in the test dataset. The retained DL latent features were significantly associated with radiomics features and could be interpreted through biological explanations of handcrafted radiomics features. The radiomics-guided DL model offers interpretable high-level abstract information for differential diagnosis of Parkinsonian disorders and holds considerable promise for personalized disease monitoring.

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.