使用长短期记忆网络进行亚临床震差异化.
Gerard Ruchin Randil Nanayakkara1, Ping Yi Chan2,3,4
1Electrical and Robotics Engineering Department, School of Engineering, Monash University Malaysia, Jalan Lagoon Selatan, Bandar Sunway, 47500, Selangor, Malaysia.
Physical and engineering sciences in medicine
|February 24, 2025
概括
人工智能 (AI) 现在可以区分帕金森病 (PD) 和基本震 (ET) 的微妙震. 一个深度学习模型实现了高精度,改善了亚临床震的诊断.
科学领域:
- 神经学 神经学
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 帕金森病 (PD) 和基本震 (ET) 中的亚临床震存在诊断挑战,即使有明显的震.
- 高达30%的PD病例有亚临床震,这是一个鲜为人知的现象.
- 准确的区分对于及时诊断和治疗规划至关重要.
研究的目的:
- 开发和评估一个深度学习模型来区分亚临床震.
- 要区分与PD,ET相关的震和正常的生理震.
- 利用人工智能 (AI) 来提高运动障碍的诊断准确性.
主要方法:
- 利用51名PD,15名ET和58名正常受试者的手和手臂的惯性传感器数据.
- 开发了一个使用长短期记忆 (LSTM) 网络的深度学习模型.
- 在短时间的富里埃转换的亚临床震数据上训练LSTM网络.
主要成果:
- 该LSTM模型实现了95%的精度区分PD和ET震.
- 该模型实现了93%的精度区分PD,ET和生理震.
- 与现有方法相比,拟议的方法在低振幅震动中显示出比现有方法高30-50%的准确性.
结论:
- 人工智能驱动的LSTM模型显示了区分亚临床震的巨大潜力.
- 这种方法可以提高帕金森病和基本震的诊断准确度.
- 未来的工作包括对更大,更多样化的数据集进行模型解释性和验证.


