在帕金森病中提高模型通用性的自动评估:在独立实验中采用半监督方法

科学领域:

• 神经学 神经学
• 计算机科学 计算机科学
• 生物医学工程 生物医学工程

背景情况:

• 帕金森病 (PD) 评估的机器学习 (ML) 依赖于运动数据,如手指敲击,用于客观测量运动障碍.
• 基于视频的ML模型显示出潜力,但缺乏标准化的基准阻碍了概括性.
• 远程医疗产生了大量的无监督数据,但监督学习需要昂贵,耗时的临床标签.

研究的目的:

• 调查半监督学习 (SSL) 以提高基于视频的指触阶段化模型的普遍性.
• 减少在PD评估中对监督ML的广泛标记数据的依赖.
• 通过使用有限的标记数据来提高ML模型的性能.

主要方法:

• 采用了自我训练方案,一种半监督的学习技术.
• 利用了来自三个独立实验的公开可用的指纹触摸数据集.
• 训练了一种光梯度增强模型,用于基于视频的手指点击阶段.

主要成果:

• 在各种指标上显著提高了模型性能.
• 取得了显著的准确性增长,在不同实验的未见数据上从87.62%增加到92.05%.
• 证明了SSL的价值,从测试分布中标记的数据不到10%.

结论:

• 半监督学习有效地提高了基于视频的ML模型对帕金森病评估的概括性.
• 通过SSL,大大减少了对大规模临床医生标记数据集的需求,使得PD评估更有效.
• 这种方法在远程医疗环境中特别有价值,因为有大量未标记的数据.