Transmisión multi-canal federada de la CNN para el diagnóstico de la enfermedad de Parkinson bajo datos invisibles y...

Área de la Ciencia:

• Ingeniería biomédica
• Neurología
• Aprendizaje automático

Sus antecedentes:

• El análisis de la marcha es crucial para el diagnóstico de la enfermedad de Parkinson (EP).
• Los datos limitados y la variabilidad individual plantean desafíos para los métodos actuales de diagnóstico de la EP.
• El desarrollo de herramientas de diagnóstico sólidas y generalizables es esencial para la intervención temprana.

Objetivo del estudio:

• Proponer un enfoque de aprendizaje de transferencia federado para el diagnóstico de la enfermedad de Parkinson (EP) y la evaluación de su gravedad.
• Abordar los desafíos de los datos limitados y las diferencias individuales en el diagnóstico de la EP.
• Mejorar la generalización de los modelos de diagnóstico evitando el rendimiento inflacionario.

Principales métodos:

• Una red neuronal convolucional multicanal (CNN) fue diseñada como un modelo de columna vertebral.
• La CNN fue federada dinámicamente y pre-entrenada usando conjuntos de datos públicos.
• La red global se ajustó a un conjunto de datos personalizados de 20 pacientes con EP y 32 controles sanos utilizando un sistema portátil.

Principales resultados:

• El aprendizaje de transferencia federado demostró su eficacia en el diagnóstico de la EP con muestras pequeñas e invisibles.
• El método propuesto mostró una mejor precisión y generalización del diagnóstico.
• El rendimiento inflacionario se exploró y evitó con éxito.

Conclusiones:

• El aprendizaje de transferencia federado ofrece una solución prometedora para el diagnóstico preciso de la EP, especialmente en escenarios con escasez de datos.
• La integración de este método en sistemas portátiles puede proporcionar un valioso monitoreo de la vida diaria para las personas mayores.
• Esta investigación avanza en la aplicación de la IA en el diagnóstico de trastornos neurológicos.