NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Özet Yaygın bir nörodejeneratif durum olarak, Parkinson hastalığı motor yeteneklerini, bilişsel işlevini ve yaşam kalitesini belirgin bir şekilde bozar. Erken ve kesin bir tanı koymak, prodromal fazda bile, zamanında tedaviyi sağlamak ve hasta yönetimini geliştirmek için önemli bir klinik odak noktasıdır. Derin öğrenme (DL) ve makine öğrenimi (ML) Parkinson hastalığı (PD) için tanı doğruluğunu artırmada önemli bir potansiyel göstermiştir. Bununla birlikte, büyük ölçekli, iyi not edilmiş veri kümelerinin kıtlığı, model sağlamlığını ve genellenebilirliğini artırmak için multimodal veri entegrasyonuna olan kritik ihtiyacı vurgulayan önemli bir engel olmaya devam ediyor. Bu çalışma, PD sınıflandırma doğruluğunu iyileştirmek için yeni bir multimodal konvolüsyonel sinir ağı çerçevesi olan MultimodalCNN-PD'yi önermektedir. Model, Manyetik Rezonans Görüntüleme verilerini motor ve bilişsel değerlendirmeler, demografi ve genetik biyobelirteçler de dahil olmak üzere klinik meta verilerle bütünleştirir. Mimari, uzamsal ve kanal açısından özellikleri iyileştirmek için bir ResNet-18 omurgası içinde Convolutional Block Attention Modüllerini içerir ve görüntüleme ve meta verileri çoklu kafa dikkati ile hizalamak için bir Meta Guided Cross Attention (MGCA) mekanizması sunar. Topluluk tabanlı bir özellik seçim stratejisi, en ayırt edici klinik özellikleri daha da ayıklar. Model, Parkinson İlerleme İşaretçileri Girişimi veri kümesinde sağlam bir şekilde değerlendirildi, konu düzeyinde beş kat çapraz doğrulama şeması ve tutulan bir test seti kullandı. Normal Kontrol, prodromal PD ve tanılı PD'yi ayırt etmede %95.68'lik çok sınıflı sınıflandırma doğruluğu elde etti ve mevcut son teknoloji modellerinden daha iyi performans gösterdi. Güçlü genellenebilirliği, OASIS-3 veri kümesinde dış doğrulama yoluyla doğrulandı ve demografik ve veri edinimindeki farklılıklara rağmen% 94,10 doğruluk elde etti. Ablasyon çalışmaları CBAM, MGCA ve ensemble özellik seçim modüllerinin performans katkılarını doğruladı. Nörogörüntüleme ve klinik meta verileri etkin bir şekilde entegre ederek, bu çerçeve çok sınıflı PD teşhisi için yeni bir kriter belirler ve nörodejeneratif hastalıkların erken teşhisi ve kişiselleştirilmiş yönetimi için sağlam, klinik olarak uygulanabilir bir AI aracı olarak önemli bir potansiyel gösterir.
Özgün kaynak özetini okuyun
Abstract As a common neurodegenerative condition, Parkinson's disease markedly impairs motor abilities, cognitive function, and quality of life. Establishing an early and precise diagnosis, even in its prodromal phase, is a key clinical focus to enable timely treatment and enhance patient management. Deep learning (DL) and machine learning (ML) have demonstrated significant potential in boosting diagnostic accuracy for Parkinson's disease (PD). Nevertheless, the scarcity of large-scale, well-annotated datasets remains a major obstacle, underscoring the critical need for multimodal data integration to enhance model robustness and generalizability. This study proposes MultimodalCNN-PD, a novel multimodal convolutional neural network framework, to improve PD classification accuracy. The model integrates Magnetic Resonance Imaging data with clinical metadata, including motor and cognitive assessments, demographics, and genetic biomarkers. The architecture incorporates Convolutional Block Attention Modules within a ResNet-18 backbone to refine spatial and channel-wise features and introduces a Meta Guided Cross Attention (MGCA) mechanism to align imaging and metadata through multi-head attention. An ensemble-based feature selection strategy further extracts the most discriminative clinical features. The model was robustly evaluated on the Parkinson’s Progression Markers Initiative dataset, employing a subject-level five-fold cross-validation scheme and a held-out test set. It achieved a multiclass classification accuracy of 95.68% in distinguishing Normal Control, prodromal PD, and diagnosed PD, outperforming existing state-of-the-art models. Its strong generalizability was confirmed through external validation on the OASIS-3 dataset, where it attained 94.10% accuracy despite differences in demographics and data acquisition. Ablation studies verified the performance contributions of the CBAM, MGCA, and ensemble feature selection modules. By effectively integrating neuroimaging and clinical metadata, this framework sets a new benchmark for multiclass PD diagnosis and demonstrates considerable potential as a robust, clinically applicable AI tool for early detection and personalized management of neurodegenerative diseases.
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.