MedElevator Войти в исследования
← Поиск публикаций

DOI 10.1016/j.jns.2021.120079

Медицинская библиотека · Journal of the neurological sciences · 2021

Фенотипическая категоризация отдельных субъектов с механическим нейронным заболеванием на основе структуры нагрузки на радиологические заболевания: подход, предусматривающий машинное обучение.

Bede Peter, Murad Aizuri, Lope Jasmin, Li Hi Shing Stacey, Finegan Eoin, Chipika Rangariroyashe H, Hardiman Orla, Chang Kai Ming

СтатьяМашинный перевод · не проверен

Аннотация

Болезнь моторных нейронов является зонтичным термином, охватывающим множество клинически неоднородных фенотипов. Ранняя и точная категоризация пациентов имеет огромное значение, поскольку фенотипы MND связаны с заметными различиями в прогнозах, темпах развития, потребностях в уходе и выгодах от различных стратегий управления. Категории пациентов вскоре после наступления симптомов являются непростыми, и часто требуется длительный клинический мониторинг, с тем чтобы направить пациентов в соответствующую фенотипическую подгруппу. В этом исследовании была реализована многоклассная стратегия машинного обучения для классификации 300 пациентов на основе их радиологического профиля в диагностические этикетки вдоль спектра УМН-ЛМН. В рамках многослойной модели перцептрона (МЛП) была произведена оценка всеобъемлющей выборки показателей корковой толщины, субкортических переменных серых веществ и показателей целостности белой материи. Дополнительный исследовательский анализ был также проведен с использованием анализа функциональных функций МДО. Прекрасная классификационная точность была достигнута в случае амиотрофного бокового склероза в испытываемой группе (93,7%) с использованием модели MLP, однако была обнаружена недостаточная диагностическая точность в случае первичного бокового склероза (43,8%) и лиц, переживших полиомиелит (60%). Анализ значимости характеристик показал актуальность показателей диффузности белого вещества и оценки мозжечных индексов, мер цингулирования и таламических переменных радиации для дискриминации фенотипов MND. Наши данные свидетельствуют о том, что радиологические данные, полученные от одиноких пациентов, могут быть интерпретированы на практике, если имеются обширные комплекты данных об обучении и если результаты диагностики могут быть клинически полезными для пациентов с короткими симптомами. Вычислительная интерпретация наборов данных мультимодальной радиологии свидетельствует о том, что прикладные методы диагностики, прогнозирования и клинических испытаний являются жизнеспособными.

Для цитирования: Bede Peter, Murad Aizuri, Lope Jasmin, Li Hi Shing Stacey, Finegan Eoin, Chipika Rangariroyashe H, Hardiman Orla, Chang Kai Ming. Phenotypic categorisation of individual subjects with motor neuron disease based on radiological disease burden patterns: A machine-learning approach.. Journal of the neurological sciences. 2021. DOI: 10.1016/j.jns.2021.120079.
Название и аннотация на языке оригинала

Phenotypic categorisation of individual subjects with motor neuron disease based on radiological disease burden patterns: A machine-learning approach.

Motor neuron disease is an umbrella term encompassing a multitude of clinically heterogeneous phenotypes. The early and accurate categorisation of patients is hugely important, as MND phenotypes are associated with markedly different prognoses, progression rates, care needs and benefit from divergent management strategies. The categorisation of patients shortly after symptom onset is challenging, and often lengthy clinical monitoring is needed to assign patients to the appropriate phenotypic subgroup. In this study, a multi-class machine-learning strategy was implemented to classify 300 patients based on their radiological profile into diagnostic labels along the UMN-LMN spectrum. A comprehensive panel of cortical thickness measures, subcortical grey matter variables, and white matter integrity metrics were evaluated in a multilayer perceptron (MLP) model. Additional exploratory analyses were also carried out using discriminant function analyses (DFA). Excellent classification accuracy was achieved for amyotrophic lateral sclerosis in the testing cohort (93.7%) using the MLP model, but poor diagnostic accuracy was detected for primary lateral sclerosis (43.8%) and poliomyelitis survivors (60%). Feature importance analyses highlighted the relevance of white matter diffusivity metrics and the evaluation of cerebellar indices, cingulate measures and thalamic radiation variables to discriminate MND phenotypes. Our data suggest that radiological data from single patients may be meaningfully interpreted if large training data sets are available and the provision of diagnostic probability outcomes may be clinically useful in patients with short symptom duration. The computational interpretation of multimodal radiology datasets herald viable diagnostic, prognostic and clinical trial applications.

Предметные рубрики MeSH

Подготовка и перевод публикации
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…

История · было → стало

Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.

Тип публикации указан по данным источника. Уровень доказательности автоматически не присваивается.