从静止状态EEG检测帕金森病的基于机器学习的检测:一个多中心研究

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 计算生物学 计算生物学

背景情况:

• 静止电脑图 (rs-EEG) 显示了帕金森病 (PD) 患者功率光谱密度 (PSD) 的变化.
• 对rs-EEG特征的手动分析是耗时的,并且可能会发生变化.
• 机器学习 (ML) 为PD诊断中自动化rs-EEG分析提供了潜力.

研究的目的:

• 开发和验证一个端到端的ML管道用于使用rs-EEG的自动PD检测.
• 评估特征协调对多中心rs-EEG数据的影响.
• 通过自动化特征提取和分类来提高PD诊断的效率和可靠性.

主要方法:

• 汇集了来自四个中心的84名PD和85名非PD受试者的rs-EEG数据.
• 预处理,从标准频段 (δ, θ, α, β) 中提取PSD特征.
• 单变特征选择和逻辑回归用于分类,有或没有特征协调.

主要成果:

• 特性协调和选择使PD检测准确度从69.6%提高到75.5%,使用后勤回归.
• 最终的ML管道在所有中心实现了全球平均准确率72.2%.
• 平衡精度因中心而异,从60.6%到82.2%,在不同的采集协议中显示出强度.

结论:

• 一个自动端到端的管道有效地提取临床相关的rs-EEG特征用于PD检测.
• 特性协调对于在多中心数据集上强大的ML模型性能至关重要.
• 开发的ML系统提供了一个有前途的工具,以帮助临床医生在PD诊断,即使有不同的数据来源.