NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Amaçlar: Bu çalışma, bilişsel bozukluğu (PDCI), bilişsel bozukluğu olmayan Parkinson hastalığı (PDNCI) ve sağlıklı kontrolleri (HC) olan Parkinson hastaları arasında beyin görüntüleme özelliklerindeki farklılıkları araştırmayı ve PDCI'nin erken teşhisi için makine öğrenimine dayalı modeller geliştirmeyi amaçladı. Toplam 48 PDCI hastası, 50 PDNCI hastası ve 47 yaş ve cinsiyet uyumlu sağlıklı kontroller kaydedildi ve bunların hepsi 3.0 T MR tarayıcı kullanılarak manyetik rezonans görüntüleme yapıldı. Serebral kan akışını (CBF) ölçmek için arteriyel spin etiketleme (ASL) uygulandı ve manyetik duyarlılığı değerlendirmek için nicel duyarlılık haritalaması (QSM) kullanılırken, bilişsel fonksiyon standart nöropsikolojik ölçekler kullanılarak değerlendirildi. Grup farklılıkları varyans (ANOVA) tek yönlü analizi kullanılarak incelendi ve rastgele orman (RF), K-en yakın komşular (KNN) ve Extreme Gradient Boosting (XGB) dahil olmak üzere yedi makine öğrenme sınıflandırıcısı PDCI, PDNCI ve HC grupları arasında ayrım yapmak için inşa edildi. ANOVA sonuçları, hem CBF hem de HC grubu ile iki PD grubu arasındaki manyetik duyarlılıkta önemli farklılıklar ortaya çıkarırken, PDCI ve PDNCI grupları arasında önemli bir fark gözlenmedi. Normatif verilerle karşılaştırıldığında, PDCI'lı hastalar, dil, dikkat ve çalışma belleği alanlarında 2 standart sapmayı aşan bilişsel bozuklukların yanı sıra, visuospatial fonksiyon, bellek ve yürütme fonksiyonunda 1 standart sapmayı aşan bozukluklar sergilediler. Makine öğrenimi modelleri arasında RF, KNN ve XGB mükemmel sınıflandırma performansı elde etti, tüm değerlendirme ölçümleri 1.000'e ulaştı ve mükemmel ayrımcı yeteneği gösterdi. Özellik önemi analizi, PDCI'yı ayırt eden anahtar görüntüleme özellikleri olarak sol precuneus (Precuneus_L) ve sol postcentral gyrus (Postcentral_L) gibi bölgelerde artmış CBF ve manyetik duyarlılık tespit etti ve korelasyon analizleri, CBF'deki bilişsel eksiklikler ve değişiklikler ile manyetik duyarlılık arasında önemli ilişkiler olduğunu gösterdi. Bu bulgular, ASL- ve QSM kaynaklı görüntüleme özelliklerinin PDCI'nın erken teşhisi için non-invaziv biyobelirteçler olarak önemli bir potansiyele sahip olduğunu, PDCI'lı hastaların dil, dikkat ve çalışma belleğinde birden fazla bilişsel alanda yaygın bozukluklar sergilediğini ve multimodal görüntüleme özelliklerini entegre eden makine öğrenme modellerinin erken tanı için güvenilir ve etkili bir yaklaşım sağladığını ve Parkinson hastalığında kişiselleştirilmiş tedavi stratejilerini kolaylaştırabileceğini, ancak daha büyük örneklem boyutlarına ve doğrulamaya sahip gelecekteki çalışmaların bu genel olarak daha güçlü bir yaklaşıma sahip olduğunu göstermektedir.
Özgün kaynak özetini okuyun
Objectives: This study aimed to investigate differences in brain imaging characteristics among patients with Parkinson's disease with cognitive impairment (PDCI), Parkinson's disease without cognitive impairment (PDNCI), and healthy controls (HC), and to develop machine learning-based models for the early diagnosis of PDCI. A total of 48 patients with PDCI, 50 patients with PDNCI, and 47 age- and sex-matched healthy controls were enrolled, all of whom underwent magnetic resonance imaging using a 3.0 T MRI scanner. Arterial spin labeling (ASL) was applied to quantify cerebral blood flow (CBF), and quantitative susceptibility mapping (QSM) was used to assess magnetic susceptibility, while cognitive function was evaluated using standardized neuropsychological scales. Group differences were examined using one-way analysis of variance (ANOVA), and seven machine learning classifiers, including random forest (RF), K-nearest neighbors (KNN), and Extreme Gradient Boosting (XGB), were constructed to discriminate among the PDCI, PDNCI, and HC groups. The ANOVA results revealed significant differences in both CBF and magnetic susceptibility between the HC group and the two PD groups, whereas no significant differences were observed between the PDCI and PDNCI groups. Compared with normative data, patients with PDCI exhibited cognitive impairments exceeding 2 standard deviations in the domains of language, attention, and working memory, as well as impairments exceeding 1 standard deviation in visuospatial function, memory, and executive function. Among the machine learning models, RF, KNN, and XGB achieved perfect classification performance, with all evaluation metrics reaching 1.000, indicating excellent discriminative capability. Feature importance analysis identified increased CBF and magnetic susceptibility in regions such as the left precuneus (Precuneus_L) and left postcentral gyrus (Postcentral_L) as key imaging features distinguishing PDCI, and correlation analyses further demonstrated significant associations between cognitive deficits and alterations in CBF and magnetic susceptibility. These findings suggest that ASL- and QSM-derived imaging features have substantial potential as non-invasive biomarkers for the early diagnosis of PDCI, that patients with PDCI exhibit widespread impairments across multiple cognitive domains-particularly in language, attention, and working memory-and that machine learning models integrating multimodal imaging features provide a reliable and effective approach for early diagnosis and may facilitate personalized treatment strategies in Parkinson's disease, although future studies with larger sample sizes and independent validation cohorts are warranted to enhance the robustness and generalizability of these models.
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.