Exploring the Potential Imaging Biomarkers for Parkinson's Disease Using Machine Learning Approach.

Araştırma özeti

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

Parkinson hastalığı (PD), substantia nigra pars compakta (SNC) dopamin üreten nöronların kaybından kaynaklanan motor ve nöropsikiyatrik semptomlarla karakterize bir nörodejeneratif bozukluktur. Dopamin taşıyıcı taraması (DATSCAN), tek foton emisyonu hesaplamalı tomografiye (SPECT) dayanarak, striatumdaki dopaminerjik nöronların kaybını değerlendirmek için yaygın olarak kullanılır. Bu çalışma, DATSCAN görüntülerinden bir biyobelirteç tanımlamayı ve PD teşhisi için bir makine öğrenimi (ML) algoritması geliştirmeyi amaçlamaktadır. Parkinson İlerleme İşaretçileri Girişimi (PPMI) veritabanında 13 DATSCAN kaynaklı parametreler ve 1309 bireyden gelen hasta el becerisini kullanarak, bir AdaBoost sınıflandırıcısını eğittik,% 98,88 doğruluk ve alıcının çalışma karakteristik (ROC) eğrisinin altında% 99,81 doğruluk elde ettik. Yorumlanabilirliği sağlamak için, yerel yorumlanabilir model-agnostik açıklayıcıyı (LIME) uyguladık, kontralateral putamen SBR'yi PD'yi sağlıklı kontrollerden ayırt etmek için en öngörücü özellik olarak tanımladık. Tek bir biyobelirteç üzerine odaklanarak yaklaşımımız PD tanısını basitleştirir, klinik iş akışlarına sorunsuz bir şekilde entegre eder ve yorumlanabilir, eyleme geçirilebilir içgörüler sağlar. DATSCAN'ın erken evre PD'yi tespit etmede sınırlamaları olmasına rağmen, çalışmamız ML'nin tanı hassasiyetini artırma potansiyelini göstererek klinik karar verme ve hasta sonuçlarına katkıda bulunur.

Özgün kaynak özetini okuyun

Parkinson's disease (PD) is a neurodegenerative disorder characterized by motor and neuropsychiatric symptoms resulting from the loss of dopamine-producing neurons in the substantia nigra pars compacta (SNc). Dopamine transporter scan (DATSCAN), based on single-photon emission computed tomography (SPECT), is commonly used to evaluate the loss of dopaminergic neurons in the striatum. This study aims to identify a biomarker from DATSCAN images and develop a machine learning (ML) algorithm for PD diagnosis. Using 13 DATSCAN-derived parameters and patient handedness from 1309 individuals in the Parkinson's Progression Markers Initiative (PPMI) database, we trained an AdaBoost classifier, achieving an accuracy of 98.88% and an area under the receiver operating characteristic (ROC) curve of 99.81%. To ensure interpretability, we applied the local interpretable model-agnostic explainer (LIME), identifying contralateral putamen SBR as the most predictive feature for distinguishing PD from healthy controls. By focusing on a single biomarker, our approach simplifies PD diagnosis, integrates seamlessly into clinical workflows, and provides interpretable, actionable insights. Although DATSCAN has limitations in detecting early-stage PD, our study demonstrates the potential of ML to enhance diagnostic precision, contributing to improved clinical decision-making and patient outcomes.

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.