Show simple item record

Využití strojového učení v analýze dat z magnetické rezonance za účelem zlepšení diagnostiky časné schizofrenie
dc.contributor.advisorHájek, Tomáš
dc.creatorMikoláš, Pavol
dc.date.accessioned2018-11-26T16:55:15Z
dc.date.available2018-11-26T16:55:15Z
dc.date.issued2018
dc.identifier.urihttp://hdl.handle.net/20.500.11956/103883
dc.description.abstractBackground: Early diagnosis of schizophrenia could improve the outcomes and limit the negative effects of untreated illness. Although participants with schizophrenia show structural/functional alterations on the group level, these findings have a limited diagnostic utility. Novel methods of MRI analyses, such as machine learning (ML), may help bring neuroimaging from bench to the bedside. Here, we used ML to differentiate participants with a first episode of schizophrenia-spectrum disorder (FES) from healthy controls (HC) based on neuroimaging data and compared the diagnostic utility of such approach with the utility of between group comparisons using classical statistical methods. Method: Firstly, we performed a classical fMRI experiment in FES using a self/other- agency task (SA/OA) and compared FES (N=35) versus controls (N=35) using conventional statistics. We than classified FES and healthy controls (HC) using linear kernel support vector machine (SVM) from the resting-state functional connectivity (rsFC) and fractional anisotropy (FA) in 63/63 and 77/77 age- and sex-matched FES and HC participants. We also investigated the between-group differences in rsFC and FA using classical between-group comparisons. Results: FES group exhibited a decreased activation during the emergent SA experience...en_US
dc.description.abstractÚvod: Včasná diagnóza schizofrenie může omezit negativní dopad neléčené nemoci. Progresivní funkční a strukturální změny byly opakovaně detekovány metodami skupinové statistiky, avšak kvůli nízké senzitivitě a specificitě nenašly v klinické praxi dosud využití. Nové metody analýzy, jako například strojové učení, mají v kombinaci s neurozobrazovacími metodami v psychiatrii diagnostický potenciál. Provedli jsme klasifikaci pacientů s první epizodou schizofrenie a zdravých dobrovolníků založenou na neurozobrazovacích datech a srovnali možnosti jejího klinického využití s přístupy klasické skupinové statistiky. Metody: V prvním kroku jsme provedli analýzu klasického fMRI experimentu v blokovém designu s využitím ''self-agency'' paradigmatu (SA) pomocí klasické skupinové statistiky. Následně jsme klasifikovali pacienty s FES a zdravé dobrovolníky pomocí linear support vector machine (SVM) z dat klidové funkční konektivity (rsFC) a frakční anizotropie (FA) pomocí strojového učení na souborech 63/63 (rsFC) a 77/77 (FA) pacientů/zdravých dobrovolníků, kteří byli jednotlivě matchováni podle věku a pohlaví. Výsledky: U FES jsme detekovali nižší aktivaci během SA prožitku v centrálních mediálních strukturách (CMS). SVM byl schopen rozlišit pacienty od zdravých dobrovolníků s přesností 73.0% (p=0.001) (rsFC) a...cs_CZ
dc.languageEnglishcs_CZ
dc.language.isoen_US
dc.publisherUniverzita Karlova, 3. lékařská fakultacs_CZ
dc.titleImproving the diagnosis of first-episode schizophrenia from magnetic resonance imaging using machine learningen_US
dc.typedizertační prácecs_CZ
dcterms.created2018
dcterms.dateAccepted2018-11-05
dc.description.departmentDepartment of Psychiatry and Medical Psychology - Department of Psychiatryen_US
dc.description.departmentKlinika psychiatrie a lékařské psychologie - klinika psychiatriecs_CZ
dc.description.faculty3. lékařská fakultacs_CZ
dc.description.facultyThird Faculty of Medicineen_US
dc.identifier.repId95267
dc.title.translatedVyužití strojového učení v analýze dat z magnetické rezonance za účelem zlepšení diagnostiky časné schizofreniecs_CZ
dc.contributor.refereeSyka, Josef
dc.contributor.refereeHájek, Milan
thesis.degree.namePh.D.
thesis.degree.leveldoktorskécs_CZ
thesis.degree.discipline-en_US
thesis.degree.discipline-cs_CZ
thesis.degree.programNeurovědycs_CZ
thesis.degree.programNeurosciencesen_US
uk.faculty-name.cs3. lékařská fakultacs_CZ
uk.faculty-name.enThird Faculty of Medicineen_US
uk.faculty-abbr.cs3.LFcs_CZ
uk.degree-discipline.cs-cs_CZ
uk.degree-discipline.en-en_US
uk.degree-program.csNeurovědycs_CZ
uk.degree-program.enNeurosciencesen_US
thesis.grade.csProspěl/acs_CZ
thesis.grade.enPassen_US
uk.abstract.csÚvod: Včasná diagnóza schizofrenie může omezit negativní dopad neléčené nemoci. Progresivní funkční a strukturální změny byly opakovaně detekovány metodami skupinové statistiky, avšak kvůli nízké senzitivitě a specificitě nenašly v klinické praxi dosud využití. Nové metody analýzy, jako například strojové učení, mají v kombinaci s neurozobrazovacími metodami v psychiatrii diagnostický potenciál. Provedli jsme klasifikaci pacientů s první epizodou schizofrenie a zdravých dobrovolníků založenou na neurozobrazovacích datech a srovnali možnosti jejího klinického využití s přístupy klasické skupinové statistiky. Metody: V prvním kroku jsme provedli analýzu klasického fMRI experimentu v blokovém designu s využitím ''self-agency'' paradigmatu (SA) pomocí klasické skupinové statistiky. Následně jsme klasifikovali pacienty s FES a zdravé dobrovolníky pomocí linear support vector machine (SVM) z dat klidové funkční konektivity (rsFC) a frakční anizotropie (FA) pomocí strojového učení na souborech 63/63 (rsFC) a 77/77 (FA) pacientů/zdravých dobrovolníků, kteří byli jednotlivě matchováni podle věku a pohlaví. Výsledky: U FES jsme detekovali nižší aktivaci během SA prožitku v centrálních mediálních strukturách (CMS). SVM byl schopen rozlišit pacienty od zdravých dobrovolníků s přesností 73.0% (p=0.001) (rsFC) a...cs_CZ
uk.abstract.enBackground: Early diagnosis of schizophrenia could improve the outcomes and limit the negative effects of untreated illness. Although participants with schizophrenia show structural/functional alterations on the group level, these findings have a limited diagnostic utility. Novel methods of MRI analyses, such as machine learning (ML), may help bring neuroimaging from bench to the bedside. Here, we used ML to differentiate participants with a first episode of schizophrenia-spectrum disorder (FES) from healthy controls (HC) based on neuroimaging data and compared the diagnostic utility of such approach with the utility of between group comparisons using classical statistical methods. Method: Firstly, we performed a classical fMRI experiment in FES using a self/other- agency task (SA/OA) and compared FES (N=35) versus controls (N=35) using conventional statistics. We than classified FES and healthy controls (HC) using linear kernel support vector machine (SVM) from the resting-state functional connectivity (rsFC) and fractional anisotropy (FA) in 63/63 and 77/77 age- and sex-matched FES and HC participants. We also investigated the between-group differences in rsFC and FA using classical between-group comparisons. Results: FES group exhibited a decreased activation during the emergent SA experience...en_US
uk.file-availabilityV
uk.publication-placePrahacs_CZ
uk.grantorUniverzita Karlova, 3. lékařská fakulta, Klinika psychiatrie a lékařské psychologie - klinika psychiatriecs_CZ
thesis.grade.codeP


Files in this item

Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record


© 2017 Univerzita Karlova, Ústřední knihovna, Ovocný trh 3-5, 116 36 Praha; email: admin-repozitar [at] cuni.cz

Za dodržení všech ustanovení autorského zákona jsou zodpovědné jednotlivé složky Univerzity Karlovy. / Each constituent part of Charles University is responsible for adherence to all provisions of the copyright law.

Upozornění / Notice: Získané informace nemohou být použity k výdělečným účelům nebo vydávány za studijní, vědeckou nebo jinou tvůrčí činnost jiné osoby než autora. / Any retrieved information shall not be used for any commercial purposes or claimed as results of studying, scientific or any other creative activities of any person other than the author.

DSpace software copyright © 2002-2015  DuraSpace
Theme by 
@mire NV