基于深度学习的帕金森病诊断模型,使用手写的螺旋和波形图像

科学领域:

• 神经学 神经学
• 计算机科学 计算机科学
• 医疗成像医学成像

背景情况:

• 帕金森病 (PD) 诊断可能具有挑战性,需要客观的生物标志物.
• 手写的螺旋和波浪图纸为非侵入性PD评估提供了潜力.

研究的目的:

• 开发和验证一个深度神经网络 (DNN) 模型,用手写的螺旋和波形图像来诊断帕金森病 (PD).
• 将DNN模型的诊断性能与各种机器学习 (ML) 和深度学习 (DL) 模型进行比较.

主要方法:

• 使用了来自PD患者和健康受试者的204个螺旋和波形图像的数据集.
• 图像使用面向梯度 (HOG) 的直方图进行了预处理,并增强了多样性.
• 设计了一个定制的DNN架构,并与9个ML和2个DL模型进行了比较.

主要成果:

• 与所有其他评估模型相比,DNN模型在通过手写图像诊断PD方面表现出卓越的性能.
• 在DNN模型中观察到精度,灵敏度和特异性的显著改善.
• 在螺旋和波形图像上,DNN模型取得了显著的精度增长,相比于像天真贝叶斯,决策树和支持矢量机器这样的模型.

结论:

• 开发的DNN模型为早期发现帕金森病提供了一个高度准确和有前途的工具.
• 这种基于图像的诊断方法为未来的研究提供了基础,包括额外的临床特征.
• 这项研究强调了人工智能在彻底改变神经系统疾病诊断方面的潜力.