NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Mikroelektrod kaydı (MER), Parkinson Hastalığı (PD) için subtalamik çekirdek (STN) derin beyin stimülasyonu (DBS) ameliyatı sırasında preoperatif hedeflemeyi doğrulamak için yaygın olarak kullanılır. Makine öğrenimi (ML) MER verilerini kullanarak STN lokalizasyonunu iyileştirmek için kullanılmasına rağmen, ön işleme adımlarının sınıflandırıcıların doğruluğu üzerindeki etkisi çok az dikkat çekmiştir. Dört obje çıkarma stratejisini, üç aykırı kullanım yöntemini ve isteğe bağlı özellik normalleştirmesini birleştiren 24 ayrı ön işleme boru hattını değerlendirdik. Her bir veri işleme prosedürünün ilgi bileşeninin etkisi, üç ML modeli kullanılarak elde edilen performansın fonksiyonunda değerlendirildi. Artifact ret yöntemleri (yani, denetimsiz varyans tabanlı algoritma (COV) ve arka plan gürültü tahmini (BCK)), optimize edilmiş aykırı yönetim (yani, hemisfer başına istatistiksel aykırı tanımlama (ORH) ile birlikte sürekli olarak geliştirilmiş sınıflandırma performansı. Buna karşılık, sınıflandırmadan önce yarıküreye özgü özellik normalleştirmesinin uygulanması, tüm metrikler arasında performans bozulmasına yol açtı. Boru hatları arasında özellik önemini belirlemek için gerçekleştirilen SHAP (Shapley Additive exPlanations) analizi, çeşitli ön işleme yapılandırmaları arasında etkili özelliklere ilişkin istikrarlı bir anlaşma ortaya koydu. Sonuç olarak, DBS'de STN tanımlaması için ön işleme MER'de optimal nesne reddi ve aykırı tedavi esastır, oysa ön özellik normalleştirme stratejileri model performansını bozabilir. Genel olarak, en iyi sınıflandırma performansı, Random Forest modelini COV object ret ve OH aykırı yönetimi (doğruluk = 0.945) kullanılarak işlenen veri kümesine uygulayarak elde edildi. SHAP tabanlı yorumlanabilirlik, ML boru hatlarını rafine etmek için değerli rehberlik sunar. Bu bilgiler, MER güdümlü DBS hedeflemesi için sağlam protokol geliştirmesini bilgilendirebilir.
Özgün kaynak özetini okuyun
Microelectrode recording (MER) is commonly used to validate preoperative targeting during subthalamic nucleus (STN) deep brain stimulation (DBS) surgery for Parkinson's Disease (PD). Although machine learning (ML) has been used to improve STN localization using MER data, the impact of preprocessing steps on the accuracy of classifiers has received little attention. We evaluated 24 distinct preprocessing pipelines combining four artifact removal strategies, three outlier handling methods, and optional feature normalization. The effect of each data processing procedure's component of interest was evaluated in function of the performance obtained using three ML models. Artifact rejection methods (i.e., unsupervised variance-based algorithm (COV) and background noise estimation (BCK)), combined with optimized outlier management (i.e., statistical outlier identification per hemisphere (ORH)) consistently improved classification performance. In contrast, applying hemisphere-specific feature normalization prior to classification led to performance degradation across all metrics. SHAP (SHapley Additive exPlanations) analysis, performed to determine feature importance across pipelines, revealed stable agreement with regard to influential features across diverse preprocessing configurations. In conclusion, optimal artifact rejection and outlier treatment are essential in preprocessing MER for STN identification in DBS, whereas preliminary feature normalization strategies may impair model performance. Overall, the best classification performance was obtained by applying the Random Forest model to the dataset treated using COV artifact rejection and ORH outlier management (accuracy = 0.945). SHAP-based interpretability offers valuable guidance for refining ML pipelines. These insights can inform robust protocol development for MER-guided DBS targeting.
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.