Основная тема вышеупомянутой статьи

Поскольку тема моего исследования связана с машинным обонянием, я всегда стараюсь понять работы других исследователей. Чтение бумаги и обучение по ней всегда доставляет мне массу удовольствия. Итак, я прочитал ниже исследовательскую работу [1], чтобы представить ее на собрании нашей лаборатории (Лаборатория Накамото, Технологический институт Токио, Япония). Я чувствую, что если я смогу сделать резюме этой работы, это поможет другим понять основную идею этой статьи.

Примечание. Это не моя личная работа. Я просто делаю резюме этой статьи, чтобы люди могли легко понять эту статью.

Эта статья была опубликована нижеследующими исследователями в отчете Nature Scientific.

[1] Йорн Лётч, Томас Хаммель и Альфред Ульч, Идентификация паттернов с помощью машинного обучения в результатах обонятельных подтестов, отчет Nature Scientific, 6, 35688 (2016). https://doi.org/10.1038/srep35688

Некоторые важные ключевые слова для этой статьи

  1. порог запаха, определяющий самую низкую концентрацию выбранного одоранта, при которой он все еще воспринимается.
  2. различение запахов производительность, связанная со способностью различать разные запахи.
  3. различение запахов производительность, связанная со способностью различать разные запахи.

Три обонятельных диагноза

  • Аносмия — — — — отсутствие обонятельной функции;
  • Гипосмия — — — Снижение или отсутствие обоняния;
  • Нормосмия — — — нормальная обонятельная функция

Цель исследования

  • Понять патологические механизмы, при которых различная этиология может вызывать обонятельную дисфункцию.
  • Использование неконтролируемого машинного обучения для поиска структуры в большом наборе данных (n=10714 субъектов), чтобы связать распределение ниже трех обонятельных диагнозовс 9 этиологиями. Здоровые, носовые пазухи, врожденные, нейродегенеративные заболевания, идиопатические, постинфекционные, травматические, токсические и опухоль головного мозга/инсульт.

Основные выводы

Используя U-матрицу, карты возникающих самоорганизующихся признаков (ESOM) выявили три различных кластера, характеризующихся:

(i) низкий порог и хорошее различение и идентификация,

(ii) очень высокий порог, связанный с отсутствием или плохой способностью к различению и идентификации, или

(iii) средний порог, т. е. средний диапазон возможных порогов, связанный с пониженной способностью различать и идентифицировать.

Машинное обучение идентификации кластеров результатов обонятельного подтеста

На приведенном выше рисунке большие U-высоты в U-матрице указывают на большой разрыв в пространстве данных, тогда как малые U-высоты указывают на то, что точки расположены близко друг к другу пространство данных, указывающее кластерную структуру на основе расстояния в наборе данных.

Взаимосвязь паттернов обонятельных субтестов и этиологии, связанной с обонятельной функцией

Сводный график ассоциаций кластеров с этиологией обонятельной (дис)функции

  • Явное чрезмерное представительство здоровых субъектов в кластере № 1, где все патологические этиологии, казалось, были недостаточно представлены,
  • Перепредставленность субъектов с врожденной аносмией и, возможно, лиц с черепно-мозговой травмой в кластере № 2, где здоровые субъекты были явно недопредставлены
  • Чрезмерная представленность субъектов с постинфекционной обонятельной дисфункцией в кластере № 3.

Матричные графики корреляций между результатами обонятельного подтеста
(различение/идентификация, различение/порог, порог/идентификация)

Распределение 3326 пациентов с аносмией, 4664 пациентов с гипосмией и 2624 пациентов или здоровых лиц с нормосмией, диагностированной в соответствии с критериями теста «Sniffin' Sticks», согласуется с известной широкой вариабельностью функциональных последствий большинства этиологий, связанных с нормальным или измененным обонянием. функция.

(А) показаны корреляции отдельно для различных этиологий обонятельной дисфункции; (B) показывает то же самое для кластеров на основе EXOM/U-матрицы

Обсуждение

  1. Используя подход, основанный на данных, кластерная структура была обнаружена путем применения неконтролируемого машинного обучения к результатам обонятельных подтестов, направленных на обонятельные пороги, различение запахов и идентификацию запахов.
  2. Во втором кластере преобладали пациенты с врожденной аносмией, в то время как пациенты с постинфекционной обонятельной дисфункцией часто относились к третьему кластеру.
  3. Однако кластеры не давали четкого разделения между этиологиями. Следовательно, настоящая проверка отдельной кластерной структуры поощряет дальнейшие научные усилия по распознаванию образцов обонятельных тестов.