深度学习用于帕金森病诊断:基于图形神经网络 (GNN) 的分类方法与图形波形变换 (GWT) 使用蛋白质-数据集

科学领域:

• 神经学 神经学
• 机器学习 机器学习
• 数据科学数据科学数据科学

背景情况:

• 帕金森病 (PD) 是一种神经疾病,具有显著的运动和非运动症状.
• 目前的PD评估依赖于运动障碍学会统一帕金森评级表第三部分 (MDS-UPDRS-III),但其测量不稳定性阻碍了准确的预测和跟踪.
• 这种限制需要先进的方法来可靠地评估PD的严重程度.

研究的目的:

• 开发一种使用图形波形变换 (GWT) 和图形神经网络 (GNN) 预测帕金森病严重程度的改进方法.
• 提高PD预测和跟踪的准确性和可靠性,克服当前评估尺度的局限性.
• 通过更精确的数据分析,促进PD患者个性化治疗计划的制定.

主要方法:

• 提出了一种新的方法,将图形波形变换 (GWT) 用于加权特征提取,与图形神经网络 (GNN) 进行分类.
• 利用GWT计算患者数据中的加权相关性,增强预测模式.
• 训练有素的机器学习算法,特别是GNN,根据提取的特征预测PD震的MDS-UPDRS-III得分.

主要成果:

• 拟议的GWT-GNN模型在预测PD严重程度时实现了0.1796的平均平方误差 (MSE) 和0.2845的根平均平方误差 (RMSE).
• 与最先进的方法相比,预测准确度显著提高:比DNN高27.66%,比ANFIS+SVR高54.11%,比混合MLP高0.71%.
• 该模型有效地预测了运动和MDS-UPDRS分数,表明其临床应用的潜力.

结论:

• 开发的GWT-GNN策略在预测帕金森病严重程度方面非常有效.
• 这种方法为PD评估提供了更可靠的方法,有可能改善患者的治疗结果.
• 这些发现支持在神经疾病研究和个性化医学中使用先进的机器学习技术.