NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Özet Parkinson hastalığının (PD) erken bir aşamada doğru teşhisi, ilerlemesi çok yavaş olduğu için klinisyenler için zordur. Şu anda birçok makine öğrenimi ve derin öğrenme yaklaşımları PD'nin tespiti için kullanılmaktadır ve bunlar da popülerdir. Bu çalışma, PD'nin erken tespiti için dört derin öğrenme modeli ve hibrit bir model önermektedir. Modellerin performansını artırmak için, gri kurt optimizasyonu (GWO), modellerin hiperparametrelerini otomatik olarak ince ayar yapmak için kullanılır. Simülasyon çalışması, T1, T2-ağırlıklı ve SPECT DaTscan olmak üzere iki standart veri kümesi kullanılarak gerçekleştirilir. Kullanılan metaherustik geliştirilmiş derin öğrenme modelleri GWO-VGG16, GWO-DenseNet, GWO-DenseNet + LSTM, GWO-InceptionV3 ve GWO-VGG16 + InceptionV3. Simülasyon sonuçları, tüm modellerin iyi performans gösterdiğini ve doğruluğun %99'unun yakınında elde edildiğini göstermiştir. 99.99 AUC-ROC puanı, T1, T2-ağırlıklı veri kümesi için GWO-VGG16 + InceptionV3 ve GWO-DenseNet modelleri ile elde edilir. Benzer şekilde, GWO-DenseNet, GWO-InceptionV3 ve GWO-VGG16 + InceptionV3 modelleri SPECT DaTscan veri kümesi için 100 AUC-ROC puanı ile sonuçlanır.
Özgün kaynak özetini okuyun
Abstract Accurate diagnosis of Parkinson's disease (PD) at an early stage is challenging for clinicians as its progression is very slow. Currently many machine learning and deep learning approaches are used for detection of PD and they are popular too. This study proposes four deep learning models and a hybrid model for the early detection of PD. Further to improve the performance of the models, grey wolf optimization (GWO) is used to automatically fine-tune the hyperparameters of the models. The simulation study is carried out using two standard datasets, T1,T2-weighted and SPECT DaTscan. The metaherustic enhanced deep learning models used are GWO-VGG16, GWO-DenseNet, GWO-DenseNet + LSTM, GWO-InceptionV3 and GWO-VGG16 + InceptionV3. Simulation results demonstrated that all the models perform well and obtained near above 99% of accuracy. The AUC-ROC score of 99.99 is achieved by the GWO-VGG16 + InceptionV3 and GWO-DenseNet models for T1, T2-weighted dataset. Similarly, the GWO-DenseNet, GWO-InceptionV3 and GWO-VGG16 + InceptionV3 models result an AUC-ROC score of 100 for SPECT DaTscan dataset.
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.