NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Özet Nörodejeneratif hastalıklar (Alzheimer hastalığı, Parkinson hastalığı, Frontotemporal demans ve Lewy cisimleri ile Demans dahil) üst üste binen patoloji ve klinik heterojenlik nedeniyle tanısal zorluklar oluşturur. Açıklanabilir, artırıcı tabanlı çok hastalıklı yapay zeka sınıflandırıcılarını geliştirmek ve doğrulamak için 21.000'den fazla beyin omurilik sıvısı ve plazma örneğinden proteomik verilerden yararlandık. Modeller, CSF için 0.97 ve plazma için 0.88 test veri setlerinde ağırlıklandırılmış AUC'lere ulaştı, geleneksel biyobelirteçlere eşdeğer. Model, nöropatolojik ve klinik verilerle doğrulandı ve herhangi bir yeniden eğitim olmadan sağlam genellenebilirliği doğruladı. Sıfır atışlı öğrenmeyi kullanarak, otozomal dominant AD ve prodromal PD dahil olmak üzere hastalık alt tiplerini sınıflandırdık ve çelişkili klinik bilgiye sahip olanlar için hastalık durumlarını netleştirdik. Model ayrıca hastalık riski altındaki bilişsel olarak normal bireylere öncelik verme yeteneğini de gösterdi. Bu çerçeve, bir birey içindeki hastalıklar ve ko-patolojiler arasındaki örtüşmelerin nicelleştirilmesine izin veren sürekli, bireysel düzeyde hastalık olasılıklarının tanımlanmasını ve nicelenmesini sağladı. Bu çalışma sayesinde, ND'lerde tanısal hassasiyeti artırmak için bir kıyaslama hesaplama çerçevesi oluşturuyoruz.
Özgün kaynak özetini okuyun
Abstract Neurodegenerative diseases (including Alzheimer’s disease, Parkinson’s disease, Frontotemporal dementia, and Dementia with Lewy bodies) pose diagnostic challenges due to overlapping pathology and clinical heterogeneity. We leveraged proteomic data from more than 21,000 cerebrospinal fluid and plasma samples to develop and validate explainable, boosting-based multi-disease AI classifiers. The models achieved weighted AUCs in the testing datasets of 0.97 for CSF and 0.88 for plasma, equivalent to traditional biomarkers. The model was validated with neuropathological and clinical data, confirming robust generalizability without any retraining. Using zero-shot learning, we classified disease subtypes including autosomal dominant AD and prodromal PD and clarified disease states for those with conflicting clinical information. The model also showed the ability to prioritize cognitively normal individuals at disease risk. This framework enabled the identification and quantification of continuous, individual-level disease probabilities that allow for the quantification of overlap across diseases and co-pathologies within an individual. Through this work, we establish a benchmark computational framework for enhancing diagnostic precision in NDs.
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.