NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
PET beyin taramalarındaki amaca özgü etkiler, teknik ve prosedürel yönlerindeki farklılıklar nedeniyle ortaya çıkar. Bu, merkezler arasındaki verinin birleşmesini kısıtlar ve kaynağa özgü önyargıyı tanıtır. MetodlarYeni önerilen makine öğrenme yöntemi Iterated Relation Matrix Analysis (IRMA) 'nın beyindeki merkeze özgü etkilerin uyumlaştırılması için kullanıldığını gösterir 18 F-Fluorodeoksiglukoz ( 18 F-FDG) PET taramaları. Merkezi fark, PCA tabanlı sağlıklı kontrollerin (HC) özellik vektörlerine IRMA uygulayarak öğrenilir ve merkezler arasında karşılaştırılabilir olmayan bilgileri temsil eden bir V altuzay ve merkez farklılıklarının bulunmadığı kalan U altuzay ile sonuçlanır. Bu kavram kanıtı çalışmasında, yöntemin özelliklerini dört merkezden gelen verileri kullanarak gösteriyoruz. Merkezi uyumdan sonra, bir Genelleştirilmiş Matrix Öğrenme Vektör niceliği (GMLVQ) modeli Parkinson hastalığı, Alzheimer hastalığı ve Lewy Bodies ile Demans arasında ayrım yapmak için eğitildi.Sonuçlarİlk IRMA yinelemesinde, sistem neredeyse mükemmel dört HC kohortun merkezi kökenini belirlemeyi başardı. Yöntem, tüm merkezi farkı belirlemek için altı boyutlu bir altuzay V'ye karşılık gelen altı yineleme gerektiriyordu. Düzeltilmemiş bir hastalık sınıflandırma modeli, merkeze özgü etkilere karşı oldukça önyargılıydı ve iç (çapraz) doğrulama uygularken yanlış şişirilmiş bir performans yarattı. Merkez uyumlu modelin çapraz doğrulama performansı yüksek kalırken, görünmeyen test kohortlarına önemli ölçüde daha iyi genelleşti. Ayrıca, çerçeve son derece şeffaftır, voksel uzayda verilerin düzeltilmesi ve görselleştirilmesinin analitik rekonstrüksiyonlarını sağlar.ConclusionIRMA, hastalığa özgü bilgileri korurken, beyin 18 F-FDG PET taramalarından çıkarılan özelliklerde merkeze özgü bilgileri öğrenmek ve göz ardı etmek için kullanılabilir.
Özgün kaynak özetini okuyun
PurposeCenter-specific effects in PET brain scans arise due to differences in technical and procedural aspects. This restricts the merging of data between centers and introduces source-specific bias.MethodsWe demonstrate the use of the recently proposed machine learning method Iterated Relevance Matrix Analysis (IRMA) for harmonization of center-specific effects in brain 18 F-Fluorodeoxyglucose ( 18 F-FDG) PET scans. The center difference is learned by applying IRMA on PCA-based feature vectors of healthy controls (HC), resulting in a subspace V , representing information not comparable between centers, and the remaining subspace U , where no center differences are present. In this proof-of-concept study, we demonstrate the properties of the method using data from four centers. After center-harmonization, a Generalized Matrix Learning Vector Quantization (GMLVQ) model was trained to discriminate between Parkinson's disease, Alzheimer's disease and Dementia with Lewy Bodies.ResultsAt the initial IRMA iteration, the system was able to determine the center origin of the four HC cohorts almost perfectly. The method required six iterations, corresponding to a six-dimensional subspace V , to determine the entire center difference. An uncorrected disease classification model was highly biased to center-specific effects, creating a falsely inflated performance when applying internal (cross-) validation. The cross-validation performance of the center-harmonized model remained high, while it generalized significantly better to unseen test cohorts. Furthermore, the framework is highly transparent, providing analytic reconstructions of the correction and visualizations of the data in voxel space.ConclusionIRMA can be used to learn and disregard center-specific information in features extracted from brain 18 F-FDG PET scans, while retaining disease-specific information.
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.