NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Beyinde psikotik hastalıklarla ilişkili kayda değer yapısal anormallikler olmasına rağmen, bu anormalliklerin klinik sunumla nasıl ilişkili olduğu hala belirsizdir. Bununla birlikte, beyin mikroyapılarının karmaşıklığı ve düzensizliği hakkında ayrıntılar sunan fraktal boyut (FD), Parkinson ve Alzheimer gibi nöropsikiyatrik bozukluklar tarafından gösterildiği gibi umut verici bir özellik olabilir. Makine öğrenimi ile eşleştirildiğinde psikozun tespiti ve prognozu için olası bir biyobelirteç sunabilir. Bu çalışmanın amacı, FD'yi psikoza (CHR_NT), psikoza (CHR_T) geçen klinik yüksek riske, ilk epizod psikozu (FEP) ve sağlıklı kontrolleri (HC) olan hastalardan yüksek klinik psikoz riskine sahip bireylerden yapısal manyetik rezonans görüntüleme (sMRI) özelliği olarak araştırmaktır. Sonunda sMRI görüntülerini sınıflandıran bir makine öğrenme yaklaşımı kullanarak, hedefler (a) FD'yi potansiyel bir biyobelirteç olarak değerlendirmek ve (b) yüksek riskli klinik durumdan psikoza daha sonraki bir geçişi öngörme yeteneğini araştırmaktır. 44 HC, 77 FEP, 16 CHR_T ve 57 CHR_NT olmak üzere 194 denekten sMRI görüntüleri elde ettik. FD özelliklerini çıkardık ve beş sınıflandırma şeması (a) FEP vs. altında makine öğrenme yöntemlerini kullanarak analiz ettik. HC, (b) FEP vs. CHR_NT, (c) FEP vs. CHR_T, (d) CHR_NT vs. CHR_T, (d) CHR_NT vs. HC ve (e) CHR_T vs. HC. Ek olarak, CHR_T grubu (a), (b) ve (d) karşılaştırmalarında dış doğrulama olarak kullanıldı ve bozukluğun ilerlemesinin FEP veya CHR_NT kalıplarını takip edip etmediğini inceledi. Önerilen algoritma 0.77'den daha dengeli bir doğrulukla sonuçlandı. Bu çalışma, FD'nin psikoz boyunca tetiklenen mikroyapısal değişiklikler hakkında taze bilgiler sağlayarak, tahmin edici bir nörogörüntüleyici olarak işlev görebileceğini göstermiştir. FD'nin psikozun saptanmasında ve psikoza geçişte etkinliği, daha büyük veri kümeleri kullanılarak daha fazla araştırma ile kurulmalıdır.
Özgün kaynak özetini okuyun
Although there are notable structural abnormalities in the brain associated with psychotic diseases, it is still unclear how these abnormalities relate to clinical presentation. However, the fractal dimension (FD), which offers details on the complexity and irregularity of brain microstructures, may be a promising feature, as demonstrated by neuropsychiatric disorders such as Parkinson's and Alzheimer's. It may offer a possible biomarker for the detection and prognosis of psychosis when paired with machine learning. The purpose of this study is to investigate FD as a structural magnetic resonance imaging (sMRI) feature from individuals with a high clinical risk of psychosis who did not transit to psychosis (CHR_NT), clinical high risk who transit to psychosis (CHR_T), patients with first-episode psychosis (FEP) and healthy controls (HC). Using a machine learning approach that ultimately classifies sMRI images, the goals are (a) to evaluate FD as a potential biomarker and (b) to investigate its ability to predict a subsequent transition to psychosis from the high-risk clinical condition. We obtained sMRI images from 194 subjects, including 44 HCs, 77 FEPs, 16 CHR_Ts, and 57 CHR_NTs. We extracted the FD features and analyzed them using machine learning methods under five classification schemas (a) FEP vs. HC, (b) FEP vs. CHR_NT, (c) FEP vs. CHR_T, (d) CHR_NT vs. CHR_T, (d) CHR_NT vs. HC and (e) CHR_T vs. HC. In addition, the CHR_T group was used as external validation in (a), (b) and (d) comparisons to examine whether the progression of the disorder followed the FEP or CHR_NT patterns. The proposed algorithm resulted in a balanced accuracy greater than 0.77. This study has shown that FD can function as a predictive neuroimaging marker, providing fresh information on the microstructural alterations triggered throughout the course of psychosis. The effectiveness of FD in the detection of psychosis and transition to psychosis should be established by further research using larger datasets.
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.