以注意为基础的Transformer-LSTM架构用于早期诊断和早期帕金森病的分期使用fNIRS数据

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 帕金森病 (PD) 诊断依赖于具有有限客观性的临床评估.
• 早期诊断和分期对于有效的帕金森病管理至关重要.
• 开发先进的诊断工具对于克服当前的局限性至关重要.

研究的目的:

• 开发和验证基于注意力的变压器-LSTM混合深度学习模型 (ATLAS-PD).
• 使用fNIRS数据对早期帕金森病 (H&Y阶段1-2) 与健康对照进行分类.
• 与传统方法相比,评估模型的稳定性和临床适用性.

主要方法:

• 使用了240名参与者的功能近红外光谱 (fNIRS) 数据 (80个对照组,80个H&Y第1阶段PD,80个H&Y第2阶段PD).
• 采用基于注意力的变压器-LSTM混合深度学习模型 (ATLAS-PD) 进行分类.
• 将ATLAS-PD与支持矢量机器,随机森林,K-最近邻居和反向传播神经网络进行比较,使用统计测试进行验证.

主要成果:

• 与传统算法相比,ATLAS-PD实现了88.9%的准确性,显示出优越的稳定性,特别是在杂的条件下.
• 该模型显示高AUC值 (对照组为0.99,H&Y第一阶段为0.78,H&Y第二阶段为0.88).
• 解释性分析强调了该模型依赖于双边前端极地皮质信号.

结论:

• ATLAS-PD提供了一个客观的,非侵入性的工具,用于早期帕金森病的诊断和分期 (H&Y阶段1-2).
• 该模型的稳定性和验证的性能提高了其临床适用性.
• 建议在晚期PD阶段进行进一步验证,以扩大临床实用性.