Machine learning-based radiomics in neurodegenerative and cerebrovascular disease.

Araştırma özeti

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

Nörodejeneratif ve serebrovasküler hastalıklardan kaynaklanabilecek bilişsel bozukluklar, dünya çapında bireyler, aileler, sağlık sistemleri ve ekonomiler için geniş kapsamlı etkileri olan büyüyen bir küresel sağlık krizini temsil etmektedir. Özellikle, nörodejeneratif kaynaklı bilişsel bozukluk genellikle serebrovasküler kaynaklı bilişsel bozuklukla karşılaştırıldığında farklı bir kalıp ve şiddet sunar. Hesaplamalı teknolojinin gelişmesiyle, makine öğrenimi teknikleri hızla gelişti, bu da radyomik analizde güçlü bir araç sunarak, geleneksel yaklaşıma kıyasla yüksek boyutlu, çok değişkenli verileri ele alabilecek daha kapsamlı bir modele izin verdi. Bu tür modeller, hastalık gelişiminin öngörülmesine izin verir, ayrıca hastalıkları örtüşen semptomlardan doğru bir şekilde sınıflandırır, bu nedenle klinik karar vermeyi kolaylaştırır. Bu inceleme, makine öğrenimine dayalı radyomiklerin nörojeneratif ve serebrovasküler hastalığın neden olduğu bilişsel bozukluk üzerine uygulanmasına odaklanacaktır. Nörodejeneratif kategori içinde, bu inceleme öncelikle Alzheimer hastalığına odaklanırken, Parkinson hastalığı, Lewy vücut demansı ve Huntington hastalığı gibi diğer durumları da kapsamaktadır. Serebrovasküler kategoride, iskemik ve hemorajik inme de dahil olmak üzere, küçük damar hastalıklarına ve moyamoya hastalığına verilen ek dikkatle, inme sonrası bilişsel bozulmaya odaklanıyoruz. Ayrıca, makine öğrenimi radyomiklerini uygularken belirli zorlukları ve sınırlamaları gözden geçiriyoruz ve bu sınırlamaların sonuna doğru üstesinden gelmek için önerimizi sunuyoruz ve gelecekteki klinik kullanım için neler yapılabileceğini tartışıyoruz.

Özgün kaynak özetini okuyun

Cognitive impairments, which can be caused by neurodegenerative and cerebrovascular disease, represent a growing global health crisis with far-reaching implications for individuals, families, healthcare systems, and economies worldwide. Notably, neurodegenerative-induced cognitive impairment often presents a different pattern and severity compared to cerebrovascular-induced cognitive impairment. With the development of computational technology, machine learning techniques have developed rapidly, which offers a powerful tool in radiomic analysis, allowing a more comprehensive model that can handle high-dimensional, multivariate data compared to the traditional approach. Such models allow the prediction of the disease development, as well as accurately classify disease from overlapping symptoms, therefore facilitating clinical decision making. This review will focus on the application of machine learning-based radiomics on cognitive impairment caused by neurogenerative and cerebrovascular disease. Within the neurodegenerative category, this review primarily focuses on Alzheimer's disease, while also covering other conditions such as Parkinson's disease, Lewy body dementia, and Huntington's disease. In the cerebrovascular category, we concentrate on poststroke cognitive impairment, including ischemic and hemorrhagic stroke, with additional attention given to small vessel disease and moyamoya disease. We also review the specific challenges and limitations when applying machine learning radiomics, and provide our suggestion to overcome those limitations towards the end, and discuss what could be done for future clinical use.

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.