Image-based machine learning model as a tool for classification of [ 18 F]PR04.MZ PET images in patients with parkinsonian syndrome

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Soyut Parkinson sendromu (PS), bradikinezi, dinlenme titremesi ve sertlik ile karakterizedir ve çeşitli nörodejeneratif bozukluklarda gözlenen fenotipi temsil eder. Pozitron emisyon tomografisi (PET) görüntüleme, dopaminerjik nöronların progresif kaybını tespit ederek PS'nin teşhisinde önemli bir rol oynar. Bu çalışma, [18F]PR04.MZ PET görüntülerini PS'li hastalar ile dopaminerjik açık (SWEDD) için kanıt olmadan sınıflandırmak için beş makine öğrenimi modelini geliştirmeyi ve karşılaştırmayı amaçladı. 204 denekten [18F]PR04.MZ PET görüntülerinin bir veri kümesi analiz edildi ve üç kör uzman okuyucu tarafından PS uyumlu (1) ve SWEDD'ler (0) olarak sınıflandırıldı. Görüntüler iki ve üç boyutlu veri kümesi oluşturmak için önceden işlendi. Görüntü analizi için yaygın olarak kullanılan beş farklı desen tanıma algoritması, performanslarını gerçeğin standardı olarak kabul edilen uzman teşhisinin çoğunluk okumasıyla karşılaştırarak eğitildi ve onaylandı. Üç model diğerlerinden daha iyi performans göstererek,% 98'den daha fazla bir doğruluk elde etti. Sonuçlar, [18F]PR04.MZ PET görüntüleri ile birleştirilen makine öğrenme modellerimizin, PET görüntü analizinde klinisyenleri desteklemek için son derece doğru ve hassas araçlar sağladığını gösterdi. Bu yaklaşım, yorumlama için gereken süreyi azaltabilir ve tanı sürecinde kesinliği artırabilir.

Özgün kaynak özetini okuyun

Abstract Parkinsonian syndrome (PS) is characterized by bradykinesia, resting tremor, and rigidity, and it represents the phenotype observed in various neurodegenerative disorders. Positron emission tomography (PET) imaging plays an important role in diagnosing PS by detecting the progressive loss of dopaminergic neurons. This study aimed to develop and compare five machine-learning models for classifying [18F]PR04.MZ PET images between patients with PS and subjects without evidence for dopaminergic deficit (SWEDD). A dataset of [18F]PR04.MZ PET images from 204 subjects was analyzed and classified into PS compatible (1) and SWEDDs (0) by three blinded expert readers. The images were preprocessed to generate two and three-dimensional datasets. Five different pattern recognition algorithms, commonly used for image analysis, were trained and validated, comparing their performance to the majority reading of expert diagnosis considered as the standard of truth. Three models outperformed the others, achieving an accuracy greater than 98%. The results demonstrated that our machine-learning models, combined with [18F]PR04.MZ PET images, provide highly accurate and precise tools to support clinicians in PET image analysis. This approach may reduce the time required for interpretation and increase certainty in the diagnostic process.

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.