NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Özet Arka plan Parkinson hastalığı (PD) en yaygın progresif nörodejeneratif bozukluklar arasındadır ve etkili sonraki tedavi müdahaleleri için erken ve doğru teşhis hayati önem taşır. Son patolojik ve nörofizyolojik araştırmalar, serebellumun PD'nin patolojik ilerlemesindeki önemli rolünü açıkça göstermiştir. Bu çalışma, PD hastaları ve sağlıklı kontrol (HC) bireyleri arasında ayrım yapmak için beyincik MR görüntülerine dayanan radyomik yöntemlerin potansiyelini araştırmak için otomatik segmentasyon tekniklerini kullanır. Yöntemler Bu çalışma, PPMI veritabanındaki 377 denekten 3DT1WI görüntülerini retrospektif olarak topladı ve analiz etti. Fastsurfer segmentasyonu, dört beyincik bölgesi (ROI'ler) tanımlamak için kullanıldı: sol ve sağ gri madde ve sol ve sağ beyaz madde. Her ROI'den 833 radyomik özellik bağımsız olarak çıkarıldı. Denekler rastgele 7:3 oranında eğitim ve test setlerine atandı. Ön işleme ve özellik seçiminin ardından, modelleme ve değerlendirme için çeşitli makine öğrenme algoritmaları kullanıldı ve SHAP görselleştirmesi için en iyi performans gösteren model seçildi. Sonuçlar Modelleme için dokuz radyomik özellik seçildi. Lojistik regresyon (LR) algoritması kullanılarak geliştirilen en iyi model, eğitim setinde 0.774 ve test setinde 0.714 eğrisinin (AUC) altında bir alan elde etti. SHAP görselleştirmesi, 47_wavelet_LHH_glcm_Imc2 özelliğinin PD'yi farklılaştırmaya en önemli katkıda bulunduğunu belirtti. Sonuç Bu çalışma, 3DT1WI görüntüleme verilerine dayanarak, serebellumun sol ve sağ gri ve beyaz maddesinden radyomik özellikler çıkardı ve PD hastaları ile HC bireyleri ayırt etmek için başarılı bir radyomik model oluşturdu. Model, serebellar gri ve beyaz maddenin heterojen özelliklerini etkili bir şekilde yakalayarak, PD hastalarındaki potansiyel patolojik değişiklikleri vurgular ve PD teşhisi için değerli destek sunar.
Özgün kaynak özetini okuyun
Abstract Background Parkinson's disease (PD) is among the most common progressive neurodegenerative disorders, and early and accurate identification is vital for effective subsequent treatment interventions. Recent pathological and neurophysiological research has clearly demonstrated the cerebellum's significant role in PD's pathological progression. This study utilizes automatic segmentation techniques to investigate the potential of radiomics methods, based on cerebellar MRI images, for distinguishing between PD patients and healthy control (HC) individuals. Methods This study retrospectively gathered and analyzed 3DT1WI images from 377 subjects in the PPMI database. Fastsurfer segmentation was employed to identify four cerebellar regions of interest (ROIs): left and right gray matter, and left and right white matter. From each ROI, 833 radiomic features were independently extracted. Subjects were randomly assigned to training and testing sets in a 7:3 ratio. Following preprocessing and feature selection, various machine learning algorithms were used for modeling and evaluation, with the best-performing model selected for SHAP visualization. Results Nine radiomic features were ultimately chosen for modeling. The best model, developed using the logistic regression (LR) algorithm, achieved an area under the curve (AUC) of 0.774 in the training set and 0.714 in the testing set. SHAP visualization indicated that the feature 47_wavelet_LHH_glcm_Imc2 contributed most significantly to differentiating PD. Conclusion This study, based on 3DT1WI imaging data, extracted radiomic features from the left and right gray and white matter of the cerebellum and successfully constructed a radiomic model to differentiate between PD patients and HC individuals. The model effectively captures the heterogeneous characteristics of cerebellar gray and white matter, highlighting potential pathological changes in PD patients and offering valuable support for PD 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.