一个可解释的整体和深度学习框架,用于从语音生物标志物准确和可解释地检测帕金森病

科学领域:

• 人工智能的人工智能
• 生物医学工程 生物医学工程
• 计算语言学 计算语言学

背景情况:

• 帕金森病 (PD) 是一种神经退行性疾病,影响运动和语言功能,需要早期诊断以改善患者的治疗结果.
• 目前的诊断方法可能缺乏早期检测的灵敏度,突出显示了对先进分析工具的需求.
• 语音分析提供了一种非侵入性的方法来识别与PD相关的微妙变化.

研究的目的:

• 开发和验证一个统一的,可解释的AI框架,用于使用语音数据早期检测帕金森病.
• 将集体和深度学习模型与可解释的人工智能技术集成在一起,以进行可靠的PD识别.
• 评估各种机器学习和深度学习模型在基于声学特征的PD分类中的性能.

主要方法:

• 从帕金森声障数据集中提取声学特征.
• 评估各种机器学习模型,包括传统分类器,集合方法 (随机森林,LightGBM) 和神经网络 (CNN,LSTM,GAN).
• 应用可解释的人工智能 (XAI) 技术来识别可预测PD的关键声学生物标志物.

主要成果:

• 组合方法,特别是LightGBM和Random Forest,实现了最先进的精度 (98.01%) 和ROC-AUC (0.9914).
• 深度学习模型展示了捕捉复杂语音模式的能力,产生了具有竞争力的结果.
• 在XAI分析中,非线性声学生物标志物 (例如,spread2,PPE,RPDE) 被确定为显著的预测因素,与PD中听力障碍的临床观察结果一致.

结论:

• 拟议的AI框架为早期发现帕金森病提供了可扩展,非侵入性和临床相关的解决方案.
• 该研究强调了高预测准确性和模型可解释性之间的强烈平衡.
• 这些发现支持使用语音分析与先进的人工智能结合用于客观的PD诊断.