可解释的人工智能通过语音分析来诊断早期帕金森病

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
• 人工智能的人工智能

背景情况:

• 帕金森病 (PD) 是一种影响运动控制的神经退行性疾病,需要早期诊断才能有效管理.
• 目前的PD诊断方法可能耗时且昂贵,这凸显了需要可访问的替代方案的需要.

研究的目的:

• 开发和验证一种人工智能驱动的方法,用于使用语音分析早期检测帕金森病.
• 评估混合人工智能模型在从语音生物标志物中识别PD方面的性能.

主要方法:

• 使用混合机器学习模型集成卷积神经网络 (CNN),循环神经网络 (RNN),多核学习 (MKL) 和多层感知器 (MLP).
• 从81个语音录音中提取和分析了声学语音特征,包括Mel-Frequency Cepstral Coefficients (MFCCs),动和闪.
• 为了模型的解释性,使用了SHapley添加式扩展 (SHAP),识别了PD的关键声音特征.

主要成果:

• 混合AI模型展示了高诊断性能,达到91.11%的准确性,92.50%的回忆,89.84%的精度和91.13%的F1得分.
• 曲线下的面积 (AUC) 达到0.9125,表明强大的歧视力.
• SHAP分析确定了对PD检测有助于提高模型透明度的关键声学特征.

结论:

• 以人工智能为动力的语音分析为早期发现帕金森病提供了一种有希望的,非侵入性的和具有成本效益的方法.
• 开发的AI模型和概率评分系统可以帮助临床医生和患者监测疾病进展,并促进个性化治疗策略.
• 通过先进的人工智能技术分析的语音生物标志物为改善PD诊断和管理提供了宝贵的工具.