通过深度学习模型利用眼睛跟踪信号进行神经退行性疾病分类

科学领域:

• 眼科医生 眼科 眼科
• 神经学 神经学
• 人工智能的人工智能

背景情况:

• 神经退行性疾病 (NDs) 导致眼睛运动的微妙,可检测的变化.
• 准确诊断NDs,包括帕金森病 (PD) 和阿尔茨海默病 (AD),对于及时干预至关重要.
• 将PD与PD模仿物 (PDM) 区分开来是一个临床挑战.

研究的目的:

• 调查深度学习模型在使用原始眼睛跟踪数据对ND进行分类时的有效性.
• 确定哪些眼球运动任务最有效地区分特定的ND.
• 评估瞳孔大小和双眼镜数据对分类准确性的贡献.

主要方法:

• 收集了来自133名参与者 (51名健康对照,25名AD,39名PD,18名PDM) 在顺利追踪,阅读文本和图片描述任务中的眼睛跟踪数据.
• 应用深度学习模型来分析原始眼动数据.
• 进行了废除研究,以评估瞳孔大小和双眼数据的影响.

主要成果:

• 阅读文本任务有效地区分了健康对照组与PD和AD患者.
• 顺的追逐任务使PD与PDM有所区别.
• 纳入瞳孔大小提高了分类准确性 (特别是对于CTL与PD),双眼镜数据对于PD与PDM分类至关重要.

结论:

• 深度学习模型可以使用眼睛跟踪数据准确地分类ND,提供潜在的客观评估工具.
• 眼动分析,特别是在特定任务期间,对神经系统疾病的早期诊断和分化有很大的希望.
• 这种方法对神经病学和初级保健机构具有临床意义.