Národní úložiště šedé literatury Nalezeno 4 záznamů.  Hledání trvalo 0.00 vteřin. 
Improving the diagnosis of first-episode schizophrenia from magnetic resonance imaging using machine learning
Mikoláš, Pavol ; Hájek, Tomáš (vedoucí práce) ; Syka, Josef (oponent) ; Hájek, Milan (oponent)
Úvod: 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...
Improving the diagnosis of first-episode schizophrenia from magnetic resonance imaging using machine learning
Mikoláš, Pavol ; Hájek, Tomáš (vedoucí práce) ; Syka, Josef (oponent) ; Hájek, Milan (oponent)
Úvod: 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...

Viz též: podobná jména autorů
4 Mikoláš, Petr
1 Mikoláš, Petr Bc.
Chcete být upozorněni, pokud se objeví nové záznamy odpovídající tomuto dotazu?
Přihlásit se k odběru RSS.