Feb, 2024

利用临床和功能磁共振成像特征预测帕金森病进展轨迹：一项再现与复制研究

PDF
TL;DR研究对帕金森病的神经影像学生物标志物进行复制和复现，使用人口统计、临床和神经影像特征（从静息态功能磁共振成像中提取的 fALFF 和 ReHo）预测个体的帕金森病现状和进展，结果表明在与原始研究最接近的分析流程下与该研究一致地取得了显著优于随机的表现，通过复制和复现过程中的挑战提出了推进未来类似研究再现性的建议。
parkinson's diseaseneuroimaging biomarkersreplicationreproducibilityppmi dataset
发现论文，激发创造
  • 通过机器学习分析、识别和预测帕金森病亚型和进展

    本篇论文通过结合监督和无监督机器学习方法，识别出不同的亚型，能够准确预测帕金森患者的疾病进展和症状，并探究了病人异质性和个性化干预的潜力。

    Jun, 2023

  • 利用卷积神经网络与长短时记忆层相结合预测帕金森病进展

    该研究使用 “帕金森病进展标志倡议” 数据集，开发了一个 3DCNN + LSTM 模型，通过分析磁共振成像数据来识别帕金森病的进展阶段，并取得了具有最先进结果的 91.90％的分类准确率。

    Dec, 2023

  • 评估基于机器学习的帕金森病生物标志物发现的可重复性

    研究使用 GWAS 数据分析 PD 的潜在生物标志物并探索多种数据整合策略，发现使用不同数据集或整合策略所发现的标记物存在一定差异性，但鉴定了至少两次的 50 个 SNP 可能是新的 PD 生物标志物，这些结果为未来的研究开辟了新的潜在途径。

    Apr, 2023

  • 利用机器学习进行早期诊断帕金森病的实验研究

    通过机器学习技术，使用临床特征，声音特征和运动检查等数据，实现对帕金森病的早期检测，并取得了 100％针对 PD 和 RBD 患者的准确分类率，以及对 PD 和 HC 个体的 92％准确分类率。

    Oct, 2023

  • 多视角图卷积网络及其在帕金森病神经影像分析中的应用

    本文探讨基于图卷积网络的深度学习方法，在结合病人脑影像信息后，用于分辨帕金森患者和健康对照组，泛化表现高于传统 PCA 方法。

    May, 2018

  • 利用运动症状和机器学习早期检测帕金森病

    本研究旨在利用可穿戴系统，通过机器学习算法分析帕金森症早期症状，挖掘相关生物标志物进行症状监测和早期预测，结果表明通过该方法可获得 91.9% 的预测准确度。

    Apr, 2023

  • 通过多任务视频分析实现帕金森病在家无障碍检测

    通过分析网络摄像头录制的手指敲击、面部表情（微笑）和语音（说出包含所有字母的句子）的特征，我们训练了一种新颖的基于神经网络的融合架构来检测帕金森病，该模型还使用了蒙特卡洛随机失活来提高预测准确性。这种低成本、便捷的帕金森病筛查方法只需一个带有网络摄像头和麦克风的互联网设备，在有限制性临床专家资源的地区尤其方便。

    Jun, 2024

  • 多模态多类帕金森病分类的 CNN 和决策级融合

    本文提出了使用 MRI 和 DTI 两种不同模态的直接三类 PD 分类方法，通过使用白质和灰质 MRI 数据以及 DTI 数据的有限阻抗和平均扩散度，利用四个独立 CNN 模型进行决策层融合，实现了对公开 PPMI 数据库中 PD、健康人群和无多巴胺缺陷证据扫描的直接三类 PD 分类，获得了 95.53% 的准确率。通过一系列消融研究明确证明了我们提出的解决方案的有效性。

    Jul, 2023

  • 从多中心静息态数据中提取可再生的生物标志物：以自闭症为例

    研究使用 R-fMRI 从人们的脑功能区构建个体特定的连通图谱，能够提高自闭症谱系障碍患者的神经心理状态的识别准确率，其数据集可以从多个不同处获取，且所提取的功能脑区明显比参考图谱更具有生物标志物发现的重要性。

    Nov, 2016

  • 使用对比度图交叉视图学习和 SPECT 图像与临床特征的多模态融合进行帕金森病分级

    通过引入多模态方法，结合深度学习和图融合技术，我们的研究提出了一种用于帕金森病分类的图视多模态方法，实验结果表明，在五折交叉验证中，该方法可以达到 91% 的准确率和 92.8% 的 AUC，并且相比仅依赖机器学习方法的方法，在非图像数据上具有更强的预测能力。

    Nov, 2023