NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Alzheimer hastalığı (AD) ve Parkinson hastalığı (PD) gibi nörodejeneratif hastalıklar (ND'ler) dünya çapında milyonlarca insanı etkileyen zayıflatıcı durumlardır ve vaka sayısının önümüzdeki yıllarda önemli ölçüde artması beklenmektedir. Erken teşhis etkili müdahale stratejileri için çok önemli olduğundan, bu çalışma, düzenli T1 ağırlıklı MR taramalarından (N = 168, PPMI veritabanı) elde edilen hacimler ve mekansal ilişkileri de dahil olmak üzere seçilen beyin bölgelerinin yapısal analizinin, standart makine öğrenimi (ML) tekniklerini kullanarak PD aşamalarını modelleyip modelleyemeyeceğini araştırır. Böylece Logistic Regression, Random Forest, Support Vector Classifier ve Rough Sets gibi çeşitli ML modelleri eğitildi ve değerlendirildi. Modeller, kontrol (HC), prodromal (PR) ve PD grupları arasında ayrım yapmak için talamusa göre subkortikal beyin yapılarının hacimleri, Öklid ve Kosinüs mesafelerini kullandılar. Üç ayrı deneye dayanarak, Logistic Regression yaklaşımı en uygundu, düşük özellik karmaşıklığı ve güçlü tahmin performansı (doğruluk: %85, hassasiyet: %88, hatırlama: %85) PD-sahne tanımada. Hacim ve sentroid tabanlı mekansal mesafeler gibi yorumlanabilir metrikler kullanarak, modeller yüksek tanı doğruluğu elde etti ve MRI taramalarına dayanan erken evre PD tanımlaması için umut verici bir çerçeve sundu.
Özgün kaynak özetini okuyun
Neurodegenerative diseases (NDs), such as Alzheimer's disease (AD) and Parkinson's disease (PD), are debilitating conditions that affect millions worldwide, and the number of cases is expected to rise significantly in the coming years. Because early detection is crucial for effective intervention strategies, this study investigates whether the structural analysis of selected brain regions, including volumes and their spatial relationships obtained from regular T1-weighted MRI scans (N = 168, PPMI database), can model stages of PD using standard machine learning (ML) techniques. Thus, diverse ML models, including Logistic Regression, Random Forest, Support Vector Classifier, and Rough Sets, were trained and evaluated. Models used volumes, Euclidean, and Cosine distances of subcortical brain structures relative to the thalamus to differentiate among control (HC), prodromal (PR), and PD groups. Based on three separate experiments, the Logistic Regression approach was optimal, providing low feature complexity and strong predictive performance (accuracy: 85%, precision: 88%, recall: 85%) in PD-stage recognition. Using interpretable metrics, such as the volume- and centroid-based spatial distances, models achieved high diagnostic accuracy, presenting a promising framework for early-stage PD identification based on MRI scans.
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.