NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
BackgroundLevodopa terapisi Parkinson hastalığı (PD) motor semptomlarını etkili bir şekilde tedavi eder, ancak bazı hastalarda uzun süreli Levodopa-Induced Dyskinesia (LID)'ye neden olur. LID vakalarında serebellar değişiklikleri vardır; ancak, bu bölgeye dayalı radyomik modeller tanısal kullanım için değerlendirilmemiştir. 3D T1WI'dan invazif olmayan tanıya kadar serebellar yapısal radyomik kullanarak teşhis modeli oluşturduk. MetodlarBu çalışmada, Parkinson'un İlerleme İşaretleyicileri Girişimi (PPMI) veritabanından 69 LID hastası ve 142 LID olmayan (N-LID) hastadan alınan veriler dahil olmak üzere 3D T1WI verilerini retrospektif olarak topladık. Bu veriler rastgele bir eğitim setine ve 8: 2 oranında bir test setine ayrıldı. Fastsurfer segmentasyonunu kullanarak, sol ve sağ serebellar gri madde ve beyaz maddeye karşılık gelen dört ilgi bölgesini (ROI) belirledik. Python betikleri, her ROI'den bağımsız olarak radyomik özellikler çıkarmak için kullanıldı. Sonraki adımlar özellik seçimi ve model yapımını içeriyordu. Optimum modeli seçtikten sonra performansı değerlendirildi ve onaylandı. Son olarak, SHAP yöntemi model görselleştirme için kullanıldı.SonuçlarUltimately, en temsili 13 radyomik özellik modelleme için kullanıldı. XGBoost algoritmasına dayanan model, eğitim setinde 0.962 AUC değeri ve test setinde 0.849 AUC değeri elde etti.BuluşmaBeyeller gri ve beyaz maddeden çıkarılan radyomik model, LID ve N-LID hastaları arasında etkili bir şekilde ayrım yapar. LID hastalarının heterojen özellikleri hakkında yeni bir bakış açısı sunar, tanı performansını önemli ölçüde artırır ve klinik tanı için yardımcı destek sağlar.
Özgün kaynak özetini okuyun
BackgroundLevodopa therapy effectively treats Parkinson's disease (PD) motor symptoms but causes Levodopa-Induced Dyskinesia (LID) in some patients long-term. Cerebellar changes exist in LID cases; however, radiomics models based on this region haven't been evaluated for diagnostic use. We built diagnostic model using cerebellar structural radiomics from 3D T1WI to non-invasively diagnose LID.MethodsIn this study, we retrospectively collected 3D T1WI data from the Parkinson's Progression Markers Initiative (PPMI) database, including data from 69 LID patients and 142 non-LID (N-LID) patients. These data were randomly split into a training set and a testing set at an 8:2 ratio. Using Fastsurfer segmentation, we identified four regions of interest (ROIs) corresponding to the left and right cerebellar gray matter and white matter. Python scripts were employed to independently extract radiomic features from each ROI. Subsequent steps involved feature selection and model construction. After selecting the optimal model, its performance was evaluated and validated. Finally, the SHAP method was used for model visualization.ResultsUltimately, the most representative 13 radiomic features were used for modeling. The model built based on the XGBoost algorithm achieved an AUC value of 0.962 on the training set and 0.849 on the testing set.ConclusionThe radiomic model extracted from the cerebellar gray and white matter effectively distinguishes between LID and N-LID patients. It offers a novel perspective on the heterogeneous characteristics of LID patients, significantly enhancing diagnostic performance and providing auxiliary support for clinical diagnosis.
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.