早期发现帕金森病的深度学习框架:利用EfficientNetV2-S的螺旋和波形手写任务

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 早期发现帕金森病 (PD) 对于有效管理和改善患者的治疗结果至关重要.
• 目前的PD诊断方法通常依赖于主观的临床评估,强调需要客观和可访问的工具.
• 手写障碍被认为是PD的早期症状,手写分析成为早期检测的潜在途径.

研究的目的:

• 开发和评估一种新的深度学习框架,用于早期检测帕金森病 (PD).
• 通过使用先进的AI技术,评估分析螺旋和波形手写模式用于PD诊断的有效性.
• 通过手写分析建立一个强大的和可通用的方法来客观地检测PD.

主要方法:

• 使用PaHaW数据集开发了一个深度学习框架,专注于螺旋和波形手写模式.
• 在手写图像上应用了一种预处理管道,包括直方图等级和Cannie边缘检测.
• 该框架采用精心调整的EfficientNetV2-S架构进行二进制分类,并使用基线卷积神经网络 (CNN) 模型,通过五倍交叉验证进行评估.

主要成果:

• 深度学习模型表现出高的验证准确度,螺旋图案达到98.68%,波形图案达到98.10%.
• 获得了优秀的接收器操作特征-曲线下的区域 (ROC-AUC) 评分,这表明健康个体和患有PD的人之间有很强的歧视力.
• 观察到一致的灵敏度和特异性,与5倍交叉验证的低标准偏差为±0.0109,证实了模型的稳定性.

结论:

• 手写分析,特别是螺旋和波形图案,显示出作为对帕金森病早期检测客观工具的巨大潜力.
• 拟议的深度学习框架为非侵入性PD诊断提供了一个有希望,准确和可靠的方法.
• 这种方法可以补充现有的诊断方法,使得更早的干预和潜在地改善患者的预后.