NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Serebellum, fonksiyonel sinyallerin beyinden daha güçlü bir bireysel özgüllüğüne sahiptir ve çeşitli nöropsikiyatrik bozukluklarla ilişkilidir ve serebellar disfonksiyonun neden olduğu nöropsikiyatrik semptomlara artan dikkat gösterilmektedir. Bununla birlikte, beyinciklerin fonksiyonel ve yapısal organizasyonunu tam olarak anlamak, veri boyutsallığını azaltmak ve çeşitli modellerin beyincik fonksiyonel görüntüleme verilerine uygulanabilirliğini artırmak için araştırmacıları kullanan uygun bir beyincik bölünmesi eksikliği vardır, beyincikle ilgili araştırmalarda ilerlemeyi engeller. Bu çalışmada, fonksiyonel bağlantı matrislerini optimize etmek için mekansal kısıtlamalara sahip sıra koruyucu varyasyonları kullanıyoruz ve değişken sayıda bölme ile bir serebellar bölümleme algoritması oluşturmak için bir kümeleme topluluğu tekniği ile birleştirilmiş bir spektral kümeleme algoritması kullanıyoruz. Yöntemimiz başlangıçta, bireyler arasında yüksek tekrarlanabilirlik gösteren iki ayrı fonksiyonel manyetik rezonans verisi (fMRI) kullanılarak doğrulandı. Karşılaştırmalı analizler, bölümlerimizin gelişmiş sinyal tutarlılığı ve yerleşik serebellar yapısal şablonları ile daha fazla mekansal tutarlılık sergilediğini ortaya koydu. Ayrıca, bu bölümleri Parkinson hastalığı (PD) verilerine önceden uygulayarak, serebellar bağlantı ağı özelliklerini çıkardık ve L2 düzenlileştirmesi ile bir lojistik regresyon modeli kullanarak bir sınıflandırma modeli oluşturduk. Yeni inşa edilen serebellar bölümlerimizden elde edilen bağlantı özellikleri Parkinson sınıflandırma modelinin kullanılabilirliğini önemli ölçüde geliştirdi, PD'nin sınıflandırılması 185'e eşit bir dizi bölümde optimize edildi, bu da en uygun serebellar bölüm sayısının da çalışma altındaki soruna bağlı olarak değişebileceğini düşündürdü. Özellikle, motor yürütmede yer alan serebellar bölgelerinin Parkinson sınıflandırma modelinde daha yüksek özellik önemi gösterdiği, PD'nin multimodal sınıflandırma modellerinde özellik seçimi için önemli bir yön sunduğu tespit edilmiştir.
Özgün kaynak özetini okuyun
Cerebellum has a stronger individual specificity of functional signals than the brain and is associated with a variety of neuropsychiatric disorders, and increasing attention is being paid to neuropsychiatric symptoms caused by cerebellar dysfunction. However, there is a lack of a suitable cerebellar partition utilizing researchers to fully understand the functional and structural organization of the cerebellum, reduce data dimensionality, and improve the applicability of various types of models to cerebellar functional imaging data, impeding progress in cerebellum-related research. In this study, we use order-preserving variations with spatial constraints to optimize functional connectivity matrices and employ a spectral clustering algorithm combined with a clustering ensemble technique to construct a cerebellar partitioning algorithm with a variable number of partitions. Our method was initially validated by using two separate sets of functional magnetic resonance data (fMRI), demonstrating high reproducibility across individuals. Comparative analysis revealed that our partitions exhibited enhanced signal coherence and greater spatial congruence with established cerebellar structural templates compared to four publicly available cerebellar atlases. Furthermore, preliminarily applying these partitions to Parkinson's disease (PD) data, we extracted cerebellar connectivity network features and constructed a classification model using a logistic regression model with L2 regularization. The connectivity features derived from our newly constructed cerebellar partitions substantially improved the usability of the Parkinson's classification model, with the classification of PD optimized at a number of partitions equal to 185, suggesting that the optimal number of cerebellar partitions may also vary based on the problem under study. Notably, cerebellar regions implicated in motor execution were identified to exhibit higher feature importance in the Parkinson's classification model, offering an important direction for feature selection in the multimodal classification models of PD.
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.