Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

Sara Mazzucato1, Piervito Lopriore2, Francesco Daddoveri3

  • 1Istituto di Biorobotica, Dipartimento di Eccellenza Robotics & AI, Scuola Superiore Sant'Anna, Pisa - Centro di Ricerca Interdisciplinare Health Science, Scuola Superiore Sant'Anna, Pisa.

Recenti progressi in medicina
|October 2, 2025
PubMed
概括

机器学习使用临床数据准确地识别了 mitochondrial vs. 核DNA突变在初级线粒体疾病. 语言模型显示出作为这些复杂的遗传疾病的补充诊断工具的希望.

相关实验视频

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

My Voice Library: Protocol for Developing Audio and Visual Datasets to Enable Personalized Real-Time Communication for People With Dysarthria.

JMIR research protocols·2026
Same author

Fluid biomarkers in cerebral amyloid angiopathy: current limitations and future directions.

Expert review of molecular diagnostics·2026
Same author

Evaluating a Coenzyme Q10-Based Food for Special Medical Purpose, for Mitochondrial Diseases Management: An Open-Label, Pilot Trial.

International journal of molecular sciences·2026
Same author

Wearable sensors for monitoring neurogenic dysphagia: a scoping review.

Progress in biomedical engineering (Bristol, England)·2026
Same author

Neurological management and outcome measures in Fabry disease: consensus statements from the Italian Fabry disease neurological working group.

Orphanet journal of rare diseases·2026
Same author

Diagnostic Criteria and Management of MELAS and Stroke-Like Episodes: Consensus-Based Statements.

European journal of neurology·2026

科学领域:

  • 遗传学 是一个遗传学.
  • 计算生物学 计算生物学
  • 医学诊断 医学诊断 医学诊断

背景情况:

  • 初级线粒体疾病是一个异质的基因疾病群.
  • 分辨线粒体和核DNA突变对于诊断和治疗至关重要.
  • 目前的诊断方法可能是侵入性的或依赖于遗传/组织学数据.

研究的目的:

  • 评估机器学习模型在分辨线粒体DNA与核DNA突变中的有效性.
  • 评估单独临床数据对于此诊断任务的有用性.
  • 探索语言模型作为补充诊断工具的潜力.

主要方法:

  • 利用在非遗传和非组织学临床数据上训练的机器学习算法.
  • 将标准机器学习模型与语言模型的性能进行比较.
  • 专注于主要线粒体疾病患者的数据集.

主要成果:

  • 机器学习模型在分辨线粒体和核DNA突变方面取得了很高的准确性.
  • 仅靠临床数据就足以通过机器学习进行准确的分类.
  • 语言模型显示出潜力,但与标准机器学习方法相比表现不佳.

结论:

  • 机器学习,仅使用临床数据,为分辨线粒体疾病中的突变类型提供了一种强大,非侵入性的方法.
  • 语言模型可以作为现有诊断策略的宝贵补充.
  • 这种方法可以简化初级线粒体疾病的诊断过程.