| عنوان مقاله به انگلیسی | Dimensional Neuroimaging Endophenotypes: Neurobiological Representations of Disease Heterogeneity Through Machine Learning |
| عنوان مقاله به فارسی | آندوفنوتیپ های عصبی ابعادی: بازنمودهای عصبی ناهمگونی بیماری از طریق یادگیری ماشین |
| نویسندگان | Junhao Wen, Mathilde Antoniades, Zhijian Yang, Gyujoon Hwang, Ioanna Skampardoni, Rongguang Wang, Christos Davatzikos |
| زبان مقاله | انگلیسی |
| فرمت مقاله: | |
| چکیده | Machine learning has been increasingly used to obtain individualized neuroimaging signatures for disease diagnosis, prognosis, and response to treatment in neuropsychiatric and neurodegenerative disorders. Therefore, it has contributed to a better understanding of disease heterogeneity by identifying disease subtypes that present significant differences in various brain phenotypic measures. In this review, we first present a systematic literature overview of studies using machine learning and multimodal MRI to unravel disease heterogeneity in various neuropsychiatric and neurodegenerative disorders, including Alzheimer disease, schizophrenia, major depressive disorder, autism spectrum disorder, multiple sclerosis, as well as their potential in transdiagnostic settings. Subsequently, we summarize relevant machine learning methodologies and discuss an emerging paradigm which we call dimensional neuroimaging endophenotype (DNE). DNE dissects the neurobiological heterogeneity of neuropsychiatric and neurodegenerative disorders into a low dimensional yet informative, quantitative brain phenotypic representation, serving as a robust intermediate phenotype (i.e., endophenotype) largely reflecting underlying genetics and etiology. Finally, we discuss the potential clinical implications of the current findings and envision future research avenues. |
| تعداد صفحات | 35 |
| چکیده به فارسی (ترجمه ماشینی) | از یادگیری ماشین به طور فزاینده ای برای به دست آوردن امضاهای عصبی جداگانه برای تشخیص بیماری ، پیش آگهی و پاسخ به درمان در اختلالات عصبی روانی و عصبی استفاده شده است.بنابراین ، با شناسایی زیرگروه های بیماری که در اقدامات مختلف فنوتیپی مغز تفاوت های معنی داری دارند ، به درک بهتر ناهمگونی بیماری کمک کرده است.در این بررسی ، ما ابتدا یک مرور کلی ادبیات سیستماتیک از مطالعات با استفاده از یادگیری ماشین و MRI مولتیودال را برای کشف ناهمگونی بیماری در اختلالات مختلف عصبی و عصبی ، از جمله بیماری آلزایمر ، اسکیزوفرنی ، اختلال افسردگی عمده ، اختلال طیف اوتیسم ، مولتیپل اسکلروز ارائه می دهیم.پتانسیل آنها در تنظیمات transdiagnostic.پس از آن ، ما روشهای مربوط به یادگیری ماشین را خلاصه می کنیم و در مورد یک الگوی در حال ظهور بحث می کنیم که آندوفنوتیپ عصبی ابعادی (DNE) می نامیم.DNE ناهمگونی عصبی شناسی اختلالات عصبی و عصبی و عصبی را به یک نمایش فنوتیپی کمی در عین حال آموزنده و کمی آموزنده و کم آموزنده ، به عنوان یک فنوتیپ میانی قوی (یعنی آندوفنوتیپ) که عمدتاً منعکس کننده ژنتیک و علت شناسی است ، جدا می کند.سرانجام ، ما در مورد پیامدهای بالینی بالقوه یافته های فعلی و راه های تحقیقاتی آینده پیش بینی می کنیم. |
| دسته بندی موضوعات | Machine Learning,Image and Video Processing,Quantitative Methods,یادگیری ماشین ، پردازش تصویر و فیلم ، روشهای کمی |
| توضیحات | Submitted 17 January, 2024; originally announced January 2024. |
| توضیحات به فارسی | ارسال شده 17 ژانویه 2024 ؛در ابتدا ژانویه 2024 اعلام شد. |
| توجه کنید این مقاله به زبان انگلیسی است. |
|
برای سفارش ترجمه این مقاله می توانید به یکی از روش های تماس، پیامک، تلگرام و یا واتس اپ با شماره زیر تماس بگیرید:
09395106248 توجه کنید که شرایط ترجمه به صورت زیر است:
|
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.