NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
ObjectiveParkinson hastalığı (PD), erken tanı ve ilerleme öngörüsünde zorluklar sunar. Makine öğrenimindeki son gelişmeler, özellikle de konvolüsyonel-nöral ağlar (CNN'ler), nörogörüntüleme verilerini kullanarak tanısal doğruluğu ve prognostik yetenekleri artırmada umut vadediyor. Bu çalışmanın amaçları şunlardı: (i) kontrolleri ve PD hastalarını ayırt etmek için MRI'ya dayalı bir 3D-CNN geliştirmek ve (ii) PD'nin ilerlemesini tahmin etmek için CNN'i istihdam etmek. MetodlarÜç kohort seçildi: 86 hafif, 62 orta ila şiddetli PD hasta ve 60 kontrol; 14 hafif-PD hasta ve 14 Parkinson'un İlerleme İşaretleyicileri Girişimi veritabanından kontroller ve 38 de no ı hafif-PD hasta ve 38 kontroller. Tüm katılımcılar, başlangıçta ve 2 yıldan fazla bir süre boyunca MR taraması ve klinik değerlendirmeden geçirildi. PD denekleri, k-anlamlı kümeleme temel ve takip eden UDPRS-III puanları kullanılarak farklı ilerlemelerden oluşan iki küme halinde sınıflandırıldı. Bir 3D-CNN, PD hastaları ve kontrolleri üzerinde ikili sınıflandırmalarla inşa edildi ve test edildi: orta ila şiddetli PD'ye karşı kontroller, hafif-PD'ye karşı kontroller ve iki PD ilerleme kümesi. Transfer öğreniminin etkisi de test edildi.ResultsCNN, yalnızca MRI verilerini kullanarak orta ila şiddetli PD'yi kontrollerden (%74 doğruluk) etkili bir şekilde ayırt etti. Transfer öğrenme, hafif-PD'yi kontrollerden ayırt etmede performansı önemli ölçüde geliştirdi (%64 doğruluk). Hastalığın ilerlemesini tahmin etmek için, model MRI ve klinik verileri birleştirerek %70'in üzerinde doğruluk elde etti. CNN'in kararlarında en etkili beyin bölgeleri görselleştirildi.ConclusionsCNN, multimodal verileri ve transfer öğrenmesini entegre ederek, PD'de erken aşama sınıflandırması ve ilerleme izlemesine yönelik teşvik edici sonuçlar sağlar. Aktivasyon haritaları aracılığıyla açıklanabilirliği, erken tanı ve kişiselleştirilmiş izlemede klinik uygulama için potansiyel sunar.
Özgün kaynak özetini okuyun
ObjectiveParkinson's disease (PD) presents challenges in early diagnosis and progression prediction. Recent advancements in machine learning, particularly convolutional-neural-networks (CNNs), show promise in enhancing diagnostic accuracy and prognostic capabilities using neuroimaging data. The aims of this study were: (i) develop a 3D-CNN based on MRI to distinguish controls and PD patients and (ii) employ CNN to predict the progression of PD.MethodsThree cohorts were selected: 86 mild, 62 moderate-to-severe PD patients, and 60 controls; 14 mild-PD patients and 14 controls from Parkinson's Progression Markers Initiative database, and 38 de novo mild-PD patients and 38 controls. All participants underwent MRI scans and clinical evaluation at baseline and over 2-years. PD subjects were classified in two clusters of different progression using k-means clustering based on baseline and follow-up UDPRS-III scores. A 3D-CNN was built and tested on PD patients and controls, with binary classifications: controls vs moderate-to-severe PD, controls vs mild-PD, and two clusters of PD progression. The effect of transfer learning was also tested.ResultsCNN effectively differentiated moderate-to-severe PD from controls (74% accuracy) using MRI data alone. Transfer learning significantly improved performance in distinguishing mild-PD from controls (64% accuracy). For predicting disease progression, the model achieved over 70% accuracy by combining MRI and clinical data. Brain regions most influential in the CNN's decisions were visualized.ConclusionsCNN, integrating multimodal data and transfer learning, provides encouraging results toward early-stage classification and progression monitoring in PD. Its explainability through activation maps offers potential for clinical application in early diagnosis and personalized monitoring.
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.