NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
BackgroundMachine öğrenme bilimde büyük bir potansiyel gösterir, ancak karmaşık, yüksek boyutlu çok omik verilerle mücadele eder. PD ilerlemesi uzundur, esas olarak klinik belirtilerle teşhis edilir. Bu makale, klinik verilerle görüntülemeyi kullanarak PD'nin ilerlemesinin kesinliğini artırmak için yeni bir karar füzyon yöntemi önermektedir.MetodlarA Çapraz Modal Füzyon Tahmin Modeli (CMFP), veri hazırlama, modelleme ve tahmini içeren önemli adımlarla önerilmiştir. Veriler üç modaliteyi kapsar: klinik, DTI (difüzyon tensör görüntüleme) ve DAT (dopamin taşıyıcı), Lasso özelliklerin seçimi için kullanılır. Bireysel modaliteler AdaBoost kullanılarak sınıflandırılır ve sonuçlar yeni bir model elde etmek için yeni füzyon stratejisi olan CMF'ye entegre edilir. Son olarak, bu model tahminler için kullanılır.SonuçlarCMFP'nin PD'nin ilerlemesi üzerindeki tahminsel performansı %77,91'lik bir AUC elde etti. Bu, AUC'de sırasıyla klinik veriler, DTI verileri ve DAT verileriyle karşılaştırıldığında% 24,48,% 30,78 ve% 32,7'lik iyileşmeleri temsil etmektedir. Klinik ve DTI verilerinin kombine tahmini, sadece klinik verilere dayalı tahminlere kıyasla istatistiksel önem göstermiştir ve p değeri 9.183e-4'tür. Ek olarak, bu yöntem önemli beyin bölgelerini ve PD ile ilişkili önemli klinik metrikleri tanımladı. PD'nin ilerlemesini tahmin etmek ve değerlendirmek için perivasküler alan (DTI-ALPS) boyunca DTI metriğinin kullanılmasının, DTI-klinik füzyon tahminine kıyasla nispeten daha fazla avantaja sahip olduğu unutulmamalıdır. Bunlar arasında, ACC %3.85 oranında artabilir.Sonuçlar, CMFP'nin etkili olduğunu, tek modlu verilerdeki düşük öngörüsel performansın sınırlamalarının üstesinden gelmeye ve PD ilerleme tahminlerinin doğruluğunu artırmaya katkıda bulunduğunu göstermektedir.
Özgün kaynak özetini okuyun
BackgroundMachine learning shows great potential in science but struggles with complex, high-dimensional multi-omics data. PD progression is long, diagnosed mainly by clinical signs. This paper proposes a novel decision fusion method to improve the precision of the classification of progression of PD using imaging with clinical data.MethodsA Cross-Modal Fusion Prediction Model (CMFP) is proposed, with key steps that involve data preparation, modelling, and prediction. The data encompasses three modalities: clinical, DTI (diffusion tensor imaging), and DAT (dopamine transporter), with Lasso used for the selection of features. Individual modalities are classified using AdaBoost and the results are integrated into the new fusion strategy, CMF, to obtain a novel model. Finally, this model is used for predictions.ResultsThe predictive performance of CMFP on the progression of PD achieved an AUC of 77.91%. This represents improvements of 24.48%, 30.78%, and 32.7% in AUC compared to predictions solely with clinical data, DTI data and DAT data, respectively. The combined prediction of clinical and DTI data demonstrated statistical significance compared to predictions based solely on clinical data, with a p-value of 9.183e-4. Additionally, this method identified crucial brain regions and important clinical metrics associated with PD. It should be noted that using the DTI metric along the perivascular space (DTI-ALPS) to predict and evaluate the progression of PD has relatively more advantages compared to DTI-clinical fusion prediction. Among them, the ACC can increase by 3.85%.ConclusionThe results indicate that CMFP is effective, contributing to overcoming the limitations of low predictive performance in single-modal data and enhancing the accuracy of the PD progression predictions.
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.