NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Subklinik genlikler, esansiyel titreme (ET) ve Parkinson hastalığı (PD) titremesi arasındaki farklılaşmayı karmaşıklaştırır, bu da titremeler belirgin olduğunda bile belirsizdir. PD vakalarının %30'una varan yaygınlıklarına rağmen subklinik titremeler sergilenmektedir - bu titremeler yetersiz olarak çalışılmaktadır. Bu nedenle, bu çalışma yapay zekanın (AI) bu farklılaşma belirsizliğini giderme potansiyelini araştırıyor. Amacımız, PD, ET ve normal fizyolojik sarsıntılar nedeniyle subklinik titremeler arasında ayrım yapabilen derin bir öğrenme modeli geliştirmektir. 51 PD, 15 ET ve 58 normal deneklerin ellerine ve kollarına yerleştirilen atalet sensörlerinden subklinik titreme verileri elde edildi. Kullanılan AI mimarisi, uzun bir kısa süreli bellek ağı (LSTM) kullanılarak tasarlandı ve kısa süreli Fourier dönüştürülmüş subklinik titreme verilerinin giriş özellikleri olarak eğitildi. Ağ, ilk olarak PD ve ET titremeleri ve daha sonra PD, ET ve fizyolojik titremeler arasında ayrım yapmak için ayrı ayrı eğitildi ve sırasıyla %95 ve %93'lük akurasies elde etti. Mevcut konvolutional LSTM ile yapılan karşılaştırmalı analizler, çalışmalarımızın üstün performansını göstermiştir. Önerilen yöntem, referans yöntemine kıyasla düşük genlikli titremeleri sınıflandırırken% 30-50 daha iyi akuracies'e sahiptir. Gelecekteki geliştirmeler, model yorumlanabilirliğini artırmayı ve aksiyon titremeleri de dahil olmak üzere daha büyük, daha çeşitli veri kümelerini doğrulamayı amaçlamaktadır. Önerilen çalışma potansiyel olarak klinisyenler için değerli bir araç olarak hizmet edebilir, Parkinson hastalığında yaygın olan subklinik titremelerin farklılaşmasına yardımcı olur, bu da tanı doğruluğunu arttırır ve tedavi kararlarını bildirir.
Özgün kaynak özetini okuyun
Subclinical amplitudes complicate the differentiation between essential tremor (ET) and Parkinson's disease (PD) tremor, which is uncertain even when the tremors are apparent. Despite their prevalence-up to 30% of PD cases exhibit subclinical tremors-these tremors remain inadequately studied. Therefore, this study explores the potential of artificial intelligence (AI) to address this differentiation uncertainty. Our objective is to develop a deep learning model that can differentiate among subclinical tremors due to PD, ET, and normal physiological tremors. Subclinical tremor data were obtained from inertial sensors placed on the hands and arms of 51 PD, 15 ET, and 58 normal subjects. The AI architecture used was designed using a long short-term memory network (LSTM) and was trained on the short-time Fourier transformed subclinical tremor data as the input features. The network was trained separately to differentiate firstly between PD and ET tremors and then between PD, ET, and physiological tremors and yielded accuracies of 95% and 93%, respectively. Comparative analysis with existing convolutional LSTM demonstrated the superior performance of our work. The proposed method has 30-50% better accuracies when classifying low amplitude tremors as compared to the reference method. Future enhancements aim to enhance model interpretability and validate on larger, more diverse datasets, including action tremors. The proposed work can potentially serve as a valuable tool for clinicians, aiding in the differentiation of subclinical tremors common in Parkinson's disease, which in turn enhances diagnostic accuracy and informs treatment decisions.
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.