NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson Hastalığı (PD), 65 yaşın üzerindeki nüfusun yaklaşık %1'ini etkileyen progresif bir nörodejeneratif bozukluktur. Klinik tanı tipik olarak, hastalık ilerledikçe yavaş yavaş gelişen motor semptomların izlenmesine bağlıdır, semptomlar hala küçükken müdahaleye yardımcı olmak için erken teşhis yöntemlerine ihtiyaç duyulmaktadır. T1 ağırlıklı MRI (T1w MRI) gibi pahalı olmayan ve yaygın olarak bulunan görüntüleme modaliteleri erken PD tanısı için potansiyele sahiptir, ancak PD patolojisinin yerleşik sistematik biyobelirteçlerinden yoksundur. Bu çalışmada, Parkinson İlerleme İşaretçileri Girişimi'nden (PPMI) 100 baskın erken durum PD ve 100 kontrol T1w MR'ları üzerinde 3D konvolüsyonel sinir ağı (3D CNN) eğitildi ve %84.5'lik bir sınıflandırma doğruluğu elde edildi. Yanlış sınıflandırılan denekler, çoğunluğu ilaçsız ve özellikle erken PD (ilk belirtilerden bu yana 3 yıl) idi. Modelin kararlarının arkasındaki biyolojik temeli sorgulamak için, hem PD'den hem de kontrol sınıflandırmalarından bölgesel maaş haritaları oluşturmak için yeni açıklanabilirlik yöntemleri uygulandı. Denekler arasındaki bölgesel tuzluluk, nigrostriyal ve diğer subkortikal bölgelerdeki bilişsel ve motor skorların yanı sıra temporal ve insular kortikallerde de en iyi korelasyon gösterdi ve bu bölgelerdeki değişikliklerin semptom ilerlemesi ile en iyi şekilde bağlantılı olduğunu gösterdi. Model aynı zamanda birçok konuda sol frontal korteksteki değişikliklere duyarlıydı ve bu da en büyük ham tuzluluk büyüklüğünü sergiledi. Eş anlamlılık korelasyonu en çok aynı fonksiyonel ağ içindeki alanlar arasında belirgindi, bu da CNN'in yapısal MRI'daki ağ seviyesi değişikliklerine duyarlı olduğunu düşündürdü. Bu bulgular, T1w MRI'dan erken PD'nin ağ ve bölgesel biyobelirteçlerini tanımlamak için açıklanabilir 3D CNN'lerin potansiyelini göstermektedir.
Özgün kaynak özetini okuyun
Parkinson’s Disease (PD) is a progressive neurodegenerative disorder affecting approximately 1% of the population over 65. Clinical diagnosis typically depends on tracking gradually developing motor symptoms as the disease progresses, underscoring the need for early detection methods to aid intervention while symptoms are still minor. Inexpensive and widely available imaging modalities such as T1-weighted MRI (T1w MRI) have potential for early PD diagnosis but lack established systematic biomarkers of PD pathology. In this study, a 3D convolutional neural network (3D CNN) was trained on 100 predominately early-state PD and 100 control T1w MRIs from Parkinson’s Progression Markers Initiative (PPMI), achieving a classification accuracy of 84.5%. Misclassified subjects were majority unmedicated and particularly early PD (< 3 years since first symptoms). To interrogate the biological basis behind the model’s decisions, novel explainability methods were applied to generate regional saliency maps from both PD and control classifications. Regional saliency across subjects correlated best with cognitive and motor scores in nigrostriatal and other subcortical regions, as well as in temporal and insular cortices, indicating changes in these areas were best connected with symptom progression. The model was also sensitive to changes in the left frontal cortex across many subjects, which exhibited the greatest raw saliency magnitude. Pairwise saliency correlation was most pronounced between areas within the same functional network, suggesting the CNN was sensitive to network level changes in structural MRI. These findings demonstrate the potential of explainable 3D CNNs to identify network and regional biomarkers of early PD from T1w MRI.
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.