Automated karyogram analysis for early detection of genetic and neurodegenerative disorders: a hybrid machine learning approach.

Araştırma özeti

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

Anormal kromozomlar kanser, Alzheimer, Parkinson, epilepsi ve otizm gibi genetik hastalıkların nedenidir. Karyotip analizi, genetik bozuklukların teşhisi için standart prosedürdür. Anomalilerin tanımlanması genellikle maliyetli, zaman alıcı, uzman yorumuna büyük ölçüde bağımlıdır ve önemli ölçüde manuel çaba gerektirir. Karyogram analizini otomatikleştirmek için çalışmalar yapılmaktadır. Bununla birlikte, özellikle kromozomal anormalliklere sahip örnekler de dahil olmak üzere büyük veri kümelerinin kullanılamaması önemli bir zorluk ortaya koymaktadır. Otomatik modellerin geliştirilmesi, yeterli miktarda elde edilmesi zor olan anormallikleri doğru bir şekilde tanımlamak ve analiz etmek için kapsamlı etiketli ve inanılmaz derecede anormal veriler gerektirir. Derin öğrenme tabanlı mimari, tıbbi görüntü anomalisi tespitinde son teknoloji performansı vermesine rağmen, anormal veri kümelerinin eksikliği nedeniyle iyi genelleştirilemez. Bu çalışma, kromozomal analizde sınırlı etiketli verilerin ve ölçeklenebilirliğin zorluklarının üstesinden gelmek için denetimsiz ve denetimli öğrenme tekniklerini birleştiren yeni bir hibrit yaklaşım sunmaktadır. Autoencoder tabanlı bir sistem başlangıçta kromozom kalıplarını tanımlamak için etiketlenmemiş verilerle eğitilir. Etiketli veriler üzerinde ince ayarlıdır, ardından bir Convolutional Neural Network (CNN) kullanarak bir sınıflandırma adımı takip edilir. Eğitim, doğrulama ve test setleri de dahil olmak üzere 234.259 kromozom görüntüsünden oluşan benzersiz bir veri seti kullanıldı. Kromozomal analiz ölçeğinde önemli bir başarıya işaret etmek. Önerilen hibrit sistem, bireysel kromozom görüntülerindeki yapısal anormallikleri doğru bir şekilde tespit ederek normal ve anormal kromozomların sınıflandırılmasında %99.3 doğruluk elde eder. Ayrıca, normal kromozomdan farklı olan anormal kromozomun parçasını tanımlamak için yapısal benzerlik indeksi ölçüsü ve şablon eşlemesi kullandık. Bu otomatik model, hem genetik sağlığı hem de nörolojik davranışları etkileyen kromozomla ilgili bozuklukların erken tespitine ve teşhisine önemli ölçüde katkıda bulunma potansiyeline sahiptir.

Özgün kaynak özetini okuyun

Anomalous chromosomes are the cause of genetic diseases such as cancer, Alzheimer's, Parkinson's, epilepsy, and autism. Karyotype analysis is the standard procedure for diagnosing genetic disorders. Identifying anomalies is often costly, time-consuming, heavily reliant on expert interpretation, and requires considerable manual effort. Efforts are being made to automate karyogram analysis. However, the unavailability of large datasets, particularly those including samples with chromosomal abnormalities, presents a significant challenge. The development of automated models requires extensive labeled and incredibly abnormal data to accurately identify and analyze abnormalities, which are difficult to obtain in sufficient quantities. Although the deep learning-based architecture has yielded state-of-the-art performance in medical image anomaly detection, it cannot be generalized well because of the lack of anomalous datasets. This study introduces a novel hybrid approach that combines unsupervised and supervised learning techniques to overcome the challenges of limited labeled data and scalability in chromosomal analysis. An Autoencoder-based system is initially trained with unlabeled data to identify chromosome patterns. It is fine-tuned on labeled data, followed by a classification step using a Convolutional Neural Network (CNN). A unique dataset of 234,259 chromosome images, including the training, validation, and test sets, was used. Marking a significant achievement in the scale of chromosomal analysis. The proposed hybrid system accurately detects structural anomalies in individual chromosome images, achieving 99.3% accuracy in classifying normal and abnormal chromosomes. We also used a structural similarity index measure and template matching to identify the part of the abnormal chromosome that differed from the normal one. This automated model has the potential to significantly contribute to the early detection and diagnosis of chromosome-related disorders that affect both genetic health and neurological behavior.

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.