可解释的机器学习用于早期检测老年人群中的帕金森病,使用语音生物标志物

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) 是一种进展性神经退行性疾病,影响着人口老龄化.
• 由于细微和逐渐的症状发作,早期发现PD是很困难的.
• 现有的诊断方法可能具有侵入性或缺乏可访问性.

研究的目的:

• 开发和验证用于早期识别帕金森病的机器学习框架.
• 为了使用非侵入性的生物医学语音生物标志物用于PD查.
• 创建一个可扩展和可解释的诊断工具.

主要方法:

• 利用UCI帕金森病数据集,包括来自PD患者和健康对照者的语音记录.
• 应用数据预处理技术,包括分层分割,规范化和BorderlineSMOTE用于阶级失衡.
• 采用XGBoost模型来选择特征,并使用贝叶斯优化的XGBoost分类器来检测PD.
• 使用SHAP进行模型解释性,识别影响决策的关键语音特征.

主要成果:

• 拟议的机器学习模型在测试组中实现了98.0%的准确性,0.97的宏F1得分和0.991的ROC-AUC.
• 在精度,宏F1和AUC方面表现优于深度神经网络和支持向量机 (SVM) 的基线.
• SHAP分析为患者提供了对PD有影响力的语音生物标志物的具体见解.

结论:

• 一个非侵入性,可扩展和可解释的基于语音的AI工具可以促进早期帕金森病查.
• 开发的框架显示出高性能和集成到远程医疗和移动诊断平台的潜力.
• 语音生物标志物为可访问和客观的PD检测提供了一个有希望的途径.