NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Amaçlar: Bu çalışma Parkinson Hastalığı (PD) fonksiyonel beyin ağlarındaki bozulmaları, gelişmiş modelleme ve makine öğrenimi kullanarak araştırır. Fonksiyonel ağlar, ilgi alanları arasındaki doğrusal olmayan ve asimetrik bağımlılıkları yakalayan doğrusal olmayan Autoregressive Distributed Lag (NARDL) modeli kullanılarak oluşturulmuştur. PD hastalarını ve sağlıklı kontrolleri (HC) sınıflandırmak için temel ağ metrikleri ve bilgi-teorik önlemler çıkarıldı, derin öğrenme modelleri kullanılarak, etkili özellikleri tanımlamak için kullanılan açıklanabilirlik yöntemleri kullanıldı. Yöntemler: Parkinson İlerleme İşaretçileri Girişimi (PPMI) veri kümesinden dinlenme durumu fMRI verileri NARDL tabanlı ağlar oluşturmak için kullanıldı. Degree, Closeness, Betweenness ve Eigenvector Centrality gibi ölçütler ve Network Entropi ve Karmaşıklık analiz edildi. Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs) ve Long Short-Term Memory (LSTM) modelleri, sınıflandırılmış PD ve HC grupları. SHAP ve LIME de dahil olmak üzere açıklanabilirlik teknikleri, sınıflandırmaları yönlendiren önemli özellikler tanımladı. Bulgular: PD hastalarında azalmış Yakınlık (%22) ve Ortalık Arası Ortalık (%18) görüldü. CNN, Network Entropi ve Eigenvector Centrality'nin kilit özellikler olarak tanımlanmasıyla %91 doğruluk elde etti. Artan Ağ Entropisi, PD beyin ağlarında artan rastgelelik gösterdi. Sonuç: Yorumlanabilir derin öğrenme ile NARDL tabanlı analiz, PD'yi HC'den etkili bir şekilde ayırır ve PD için sinirsel bozulmalar ve potansiyel kişiselleştirilmiş tedaviler hakkında bilgiler sunar.
Özgün kaynak özetini okuyun
Objectives: This study investigates disruptions in functional brain networks in Parkinson's Disease (PD), using advanced modeling and machine learning. Functional networks were constructed using the Nonlinear Autoregressive Distributed Lag (NARDL) model, which captures nonlinear and asymmetric dependencies between regions of interest (ROIs). Key network metrics and information-theoretic measures were extracted to classify PD patients and healthy controls (HC), using deep learning models, with explainability methods employed to identify influential features. Methods: Resting-state fMRI data from the Parkinson's Progression Markers Initiative (PPMI) dataset were used to construct NARDL-based networks. Metrics, such as Degree, Closeness, Betweenness, and Eigenvector Centrality, along with Network Entropy and Complexity, were analyzed. Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs), and Long Short-Term Memory (LSTM) models, classified PD and HC groups. Explainability techniques, including SHAP and LIME, identified significant features driving the classifications. Results: PD patients showed reduced Closeness (22%) and Betweenness Centrality (18%). CNN achieved 91% accuracy, with Network Entropy and Eigenvector Centrality identified as key features. Increased Network Entropy indicated heightened randomness in PD brain networks. Conclusions: NARDL-based analysis with interpretable deep learning effectively distinguishes PD from HC, offering insights into neural disruptions and potential personalized treatments for PD.
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.