NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Abstract Amaç 123I-FP-CIT SPECT ile Dopamin taşıyıcı (DAT) görüntüleme, klinik olarak belirsiz vakalarda Parkinson hastalığının (PD) tanısını desteklemek için kullanılır. Önceki çalışmalar, 123IFPCIT SPECT görüntülerinin (DaTSCAN olarak pazarlanan) otomatik olarak sınıflandırılmasının, makine öğrenme algoritmaları kullanılarak mümkün olduğunu göstermiştir. Bununla birlikte, bu çalışmalar rutin klinik uygulamadan elde edilen verilerin büyük ölçüde kullanılmasından yoksundu. Bu çalışma, yapay zekanın (AI) klinik uygulamada uygulanıp uygulanamayacağı tartışmasına katkıda bulunmayı amaçlamaktadır. Ayrıca, hastaneye özgü eğitim verilerinin gerekliliğini araştırdık. Yöntemler DaTNet-3 adlı bir konvolutional sinir ağı (CNN) DaTSCAN görüntülerini normal veya dopaminerjik bir açığın destekleyicisi olarak sınıflandırmak için tasarlanmış ve eğitilmiştir. Hem Parkinson İlerleme İşaretçisi Girişimi'nden (PPMI) çok siteli bir veri seti (n = 2412) hem de St Antonius hastanesinde (STA) rutin uygulamada elde edilen klinik görüntüleri (n = 932) içeren bir kurum içi veri seti eğitim ve test için kullanıldı. STA görüntüleri nükleer tıp doktorları tarafından yoruma dayalı olarak etiketlendi. Belirsiz taramaların sınıflandırma doğruluğunu etkileyip etkilemediğini araştırmak için, çıkış olasılığına bir eşik uygulandı. STA verileri ile eğitilmiş sonuçlar DaTNet-3, klinik STA test setinin görüntülerini normal olarak veya azalmış striatal DAT bağlayıcısı ile (%98,5 PPMI test setinde) doğru bir şekilde tespit etmede%89,0'lık bir doğruluk elde etti. Eşik aşıldığında doğruluk %95,7'ye yükseldi. Bu artış PPMI verileri ile eğitildiğinde gözlenmedi, yanlış görüntülerin güvenle yanlış sınıf olarak sınıflandırıldığını gösterdi. Sonuç DaTNet-3 sonuçlarına dayanarak, DaTSCAN görüntülerinin AI ile otomatik olarak yorumlanmasının uygulanabilir ve sağlam olduğu sonucuna varıyoruz. Ayrıca, DaTNet-3'ün hastaneye özgü verilerle eğitildiğinde biraz daha iyi performans gösterdiği sonucuna varıyoruz. Bu fark, çıkış olasılığı eşiklendiğinde artmıştır. Bu nedenle, bir veri kümesinin kullanılabilirliğinin, belirsiz görüntüler içeriyorsa arttığı sonucuna varıyoruz.
Özgün kaynak özetini okuyun
Abstract Purpose Dopamine transporter (DAT) imaging with 123I-FP-CIT SPECT is used to support the diagnosis of Parkinson’s disease (PD) in clinically uncertain cases. Previous studies showed that automatic classification of 123IFPCIT SPECT images (marketed as DaTSCAN) is feasible by using machine learning algorithms. However, these studies lacked sizable use of data from routine clinical practice. This study aims to contribute to the discussion whether artificial intelligence (AI) can be applied in clinical practice. Moreover, we investigated the need for hospital specific training data. Methods A convolutional neural network (CNN) named DaTNet-3 was designed and trained to classify DaTSCAN images as either normal or supportive of a dopaminergic deficit. Both a multi-site data set (n = 2412) from the Parkinson’s Progression Marker Initiative (PPMI) and an in-house data set containing clinical images (n = 932) obtained in routine practice at the St Antonius hospital (STA) were used for training and testing. STA images were labeled based on interpretation by nuclear medicine physicians. To investigate whether indeterminate scans effects classification accuracy, a threshold was applied on the output probability. Results DaTNet-3 trained with STA data reached an accuracy of 89.0% in correctly identifying images of the clinical STA test set as either normal or with decreased striatal DAT binding (98.5% on the PPMI test set). When thresholded, accuracy increased to 95.7%. This increase was not observed when trained with PPMI data, indicating the incorrect images were confidently classified as the incorrect class. Conclusion Based on results of DaTNet-3 we conclude that automatic interpretation of DaTSCAN images with AI is feasible and robust. Further, we conclude DaTNet-3 performs slightly better when it is trained with hospital specific data. This difference increased when output probability was thresholded. Therefore we conclude that the usability of a data set increases if it contains indeterminate images.
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.