ترجمه فارسی مقاله طبقهبندی دستگاه بردار مرتبط چند کلاسه مبتنی بر MRI از بیماریهای عصبی
| عنوان مقاله به انگلیسی | MRI-Based Multi-Class Relevance Vector Machine Classification of Neurodegenerative Diseases |
| عنوان مقاله به فارسی | طبقهبندی دستگاه بردار مرتبط چند کلاسه مبتنی بر MRI از بیماریهای عصبی |
| نویسندگان | ProfileKyan Younes, ProfileYann Cobigo, Amy Wolf, John Kornak, Katherine P. Rankin, Mirza Faisal Beg, Lei Wang, Howard J. Rosen |
| فرمت مقاله انگلیسی | |
| تعداد صفحات | 26 |
| لینک دانلود رایگان مقاله انگلیسی | دانلود مقاله |
| دسته بندی موضوعات | Neurology عصب شناسی |
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
-
کتاب صدها نکته فارسی (خودمونی) – نسخه PDF — زبان ساده و کاربردی
مشاهده نمونه نسخه نکات ساده -
کتاب صدها نکته رسمی فارسی – نسخه PDF — نگارش استاندارد و علمی
مشاهده نمونه نسخه نکات رسمی -
کتاب صدها پرسش و پاسخ تشریحی – نسخه PDF
— هر سؤال همراه با پاسخ کامل برای درک عمیق مفاهیم
مشاهده نمونه نسخه پرسش و پاسخ -
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع -
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
- این محصول به صورت فایل دانلودی کامل ارائه میشود.
- توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
- دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
- برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
- اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی:
واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248
تلگرام: @ma_limbs
چکیده
Machine learning algorithms are a promising automated candidate that can help mitigate the growing need for dementia experts. Despite the substantial development in MRI-based machine learning analyses, case misclassification is a universal finding, yet the reasons behind misclassification are poorly understood. We implemented a multi-class classification approach that uses relevance vector machine and logistic classification to classify research participants based on their whole-brain T1-weighted MRI scans. A total of 468 participants from seven diagnostic classes were included: 144 healthy controls, 84 Alzheimer’s disease, 108 behavioral variant frontotemporal dementia (bvFTD), 30 semantic variant primary progressive aphasia (svPPA), 30 non-fluent variant primary progressive aphasia (nfvPPA), 30 corticobasal syndrome (CBS), and 42 progressive supranuclear palsy syndrome (PSPS). We compared the algorithm‘s diagnostic accuracy against the clinical, pathological, genetic, and quantitative imaging data. The exact neurodegenerative syndrome was predicted in 71% of the cases, the neurodegenerative disease spectrum was predicted in 80% of the cases, and the algorithm distinguished controls from any dementia in 85% of the cases. The algorithm showed high performance in diagnosing healthy controls, moderate performance in diagnosing AD, bvFTD, and svPPA, and low performance in diagnosing CBS, nfvPPA, and PSPS. Based on the quantitative imaging data, most of the misclassified neurodegenerative cases had minimal atrophy and brain volumes comparable to healthy controls. In AD, early-onset AD cases with minimal brain atrophy represented most of the misclassified cases. In bvFTD, FTD genetic mutation carriers (predominantly C9orf72 repeat expansion), FTD phenocopy, patients meeting only possible bvFTD criteria represented most misclassified cases. Case misclassification in machine learning studies in neurodegenerative diseases results from neurodegenerative disease heterogeneity and the limitations of structural MRI’s ability to capture the whole gamut of biological changes. Larger and more inclusive datasets that are representative of population biologic heterogeneity are needed to train better machine learning techniques, and a margin of error is expected and should be acceptable, like the uncertainty of a clinical diagnosis by a dementia expert.
چکیده به فارسی (ترجمه ماشینی)
الگوریتم های یادگیری ماشین یک نامزد خودکار امیدوار کننده هستند که می تواند به کاهش نیاز رو به رشد متخصصان زوال عقل کمک کند.علیرغم پیشرفت قابل توجه در تجزیه و تحلیل یادگیری ماشین مبتنی بر MRI ، طبقه بندی نادرست یک یافته جهانی است ، اما دلایل نادرست طبقه بندی به طور ضعیف درک نشده است.ما یک رویکرد طبقه بندی چند طبقه را اجرا کردیم که از دستگاه بردار مرتبط و طبقه بندی لجستیک برای طبقه بندی شرکت کنندگان تحقیق بر اساس اسکن MRI با وزن T1 کل مغز خود استفاده می کند.در مجموع 468 شرکت کننده از هفت کلاس تشخیصی گنجانده شده است: 144 کنترل سالم ، 84 بیماری آلزایمر ، 108 نوع رفتاری جلوه ای از جلو (BVFTD) ، 30 متغیر معنایی اولیه پیشرونده (SVPPA) ، 30 نوع غیر فلزی اولیه اولیه Aphasia (NFVPPPA)، 30 سندرم کورتیکوبازال (CBS) و 42 سندرم فلج فوق هسته ای مترقی (PSP).ما دقت تشخیصی الگوریتم را در برابر داده های تصویربرداری بالینی ، پاتولوژیک ، ژنتیکی و کمی مقایسه کردیم.سندرم عصبی دقیق در 71 ٪ از موارد پیش بینی شده است ، طیف بیماری عصبی در 80 ٪ موارد پیش بینی شده است ، و الگوریتم در 85 ٪ موارد کنترل متمایز از هر زوال عقل را متمایز می کند.این الگوریتم در تشخیص کنترل های سالم ، عملکرد متوسط در تشخیص AD ، BVFTD و SVPPA و عملکرد کم در تشخیص CBS ، NFVPPA و PSP عملکرد بالایی نشان داد.بر اساس داده های تصویربرداری کمی ، بسیاری از موارد عصبی نادرست طبقه بندی شده دارای حداقل آتروفی و حجم مغز قابل مقایسه با کنترل های سالم بودند.در AD ، موارد AD در اوایل AD با حداقل آتروفی مغز بیشتر موارد نادرست طبقه بندی شده را نشان می دهد.در BVFTD ، حامل های جهش ژنتیکی FTD (عمدتا گسترش C9ORF72) ، فنوکپی FTD ، بیمارانی که فقط معیارهای احتمالی BVFTD را نشان می دهند ، بیشتر موارد نادرست را نشان می دهند.نادرست طبقه بندی در مطالعات یادگیری ماشین در بیماریهای عصبی ناشی از ناهمگونی بیماری عصبی و محدودیت توانایی ساختاری MRI در ضبط کل گام های تغییرات بیولوژیکی است.مجموعه داده های بزرگتر و فراگیرتر که نماینده ناهمگونی بیولوژیکی جمعیت هستند ، برای آموزش تکنیک های بهتر یادگیری ماشین مورد نیاز هستند و پیش بینی می شود که حاشیه خطا مانند عدم اطمینان از تشخیص بالینی توسط یک متخصص زوال عقل قابل قبول باشد.📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
-
کتاب صدها نکته فارسی (خودمونی) – نسخه PDF — زبان ساده و کاربردی
مشاهده نمونه نسخه نکات ساده -
کتاب صدها نکته رسمی فارسی – نسخه PDF — نگارش استاندارد و علمی
مشاهده نمونه نسخه نکات رسمی -
کتاب صدها پرسش و پاسخ تشریحی – نسخه PDF
— هر سؤال همراه با پاسخ کامل برای درک عمیق مفاهیم
مشاهده نمونه نسخه پرسش و پاسخ -
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع -
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
- این محصول به صورت فایل دانلودی کامل ارائه میشود.
- توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
- دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
- برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
- اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی:
واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248
تلگرام: @ma_limbs
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.