ترجمه فارسی مقاله به سوی بهبود مداخله آلزایمر: یک رویکرد یادگیری ماشینی برای تشخیص نشانگرهای زیستی از طریق ترکیب خطوط لوله MEG و MRI

چکیده

MEG are non invasive neuroimaging techniques with excellent temporal and spatial resolution, crucial for studying brain function in dementia and Alzheimer Disease. They identify changes in brain activity at various Alzheimer stages, including preclinical and prodromal phases. MEG may detect pathological changes before clinical symptoms, offering potential biomarkers for intervention. This study evaluates classification techniques using MEG features to distinguish between healthy controls and mild cognitive impairment participants from the BioFIND study. We compare MEG based biomarkers with MRI based anatomical features, both independently and combined. We used 3 Tesla MRI and MEG data from 324 BioFIND participants;158 MCI and 166 HC. Analyses were performed using MATLAB with SPM12 and OSL toolboxes. Machine learning analyses, including 100 Monte Carlo replications of 10 fold cross validation, were conducted on sensor and source spaces. Combining MRI with MEG features achieved the best performance; 0.76 accuracy and AUC of 0.82 for GLMNET using LCMV source based MEG. MEG only analyses using LCMV and eLORETA also performed well, suggesting that combining uncorrected MEG with z-score-corrected MRI features is optimal.

چکیده به فارسی (ترجمه ماشینی)

MEG تکنیک های غیر تصویربرداری غیر تهاجمی با وضوح زمانی و مکانی عالی ، برای مطالعه عملکرد مغز در بیماری زوال عقل و آلزایمر بسیار مهم است.آنها تغییرات در فعالیت مغز را در مراحل مختلف آلزایمر ، از جمله مراحل بالینی و تولیدی شناسایی می کنند.MEG ممکن است قبل از علائم بالینی ، تغییرات پاتولوژیک را تشخیص دهد و نشانگرهای زیستی بالقوه را برای مداخله ارائه می دهد.این مطالعه تکنیک های طبقه بندی با استفاده از ویژگی های MEG را برای تمایز بین کنترل های سالم و شرکت کنندگان در اختلال شناختی خفیف از مطالعه BioFind ارزیابی می کند.ما نشانگرهای زیستی مبتنی بر MEG را با ویژگی های آناتومیکی مبتنی بر MRI ، هم به طور مستقل و هم ترکیبی مقایسه می کنیم.ما از 3 داده Tesla MRI و MEG از 324 شرکت کننده در زمینه زیستی استفاده کردیم ؛ 158 MCI و 166 HC.تجزیه و تحلیل با استفاده از MATLAB با جعبه ابزار SPM12 و OSL انجام شد.تجزیه و تحلیل یادگیری ماشین ، از جمله 100 تکرار مونت کارلو از اعتبار سنجی صلیب 10 برابر ، در فضای سنسور و منبع انجام شد.ترکیب MRI با ویژگی های MEG به بهترین عملکرد دست یافت.0.76 دقت و AUC 0.82 برای GLMNET با استفاده از MEG مبتنی بر منبع LCMV.تجزیه و تحلیل MEG فقط با استفاده از LCMV و Eloreta نیز به خوبی انجام شده است ، نشان می دهد که ترکیب MEG اصلاح نشده با ویژگی های MRI اصلاح شده با نمره Z بهینه است.