在使用面部视频的帕金森病患者中评估抑郁症状的深度学习方法

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 帕金森病 (PD) 呈现出运动和非运动症状,包括抑郁症状的高患病率 (高达45%).
• 在PD中,抑郁症往往被诊断不足,原因是重叠的症状,如低血压,使临床评估复杂化.
• 面部视频分析为客观的症状评估提供了一个潜在的途径.

研究的目的:

• 通过使用面部视频分析,研究深度学习 (DL) 模型在评估PD患者抑郁症状中的有效性.
• 为了比较ViViT,视频Swin Tiny和3D CNN-LSTM模型的性能.
• 为了评估考虑药物状态的模型性能 (ON/OFF多巴胺作用药物).

主要方法:

• 利用了来自178名PD患者的1,875个面部视频数据集.
• 采用深度学习模型:ViViT,视频Swin Tiny和3D CNN-LSTM与注意层.
• 根据老年抑郁量表 (GDS) 评分对抑郁症状进行了二元 (存在/缺席) 和多类 (缺席,轻度,严重) 的分类.

主要成果:

• 视频Swin Tiny模型实现了最高的性能.
• 在二进制分类中达到高达94%的准确性和93.7%的F1分数.
• 在多类分类中达到87.1%的准确率和85.4%的F1分数,在不同症状严重程度方面表现出有效性.

结论:

• 基于深度学习的时空面部分析显示了非侵入性诊断和监测PD抑郁症状的巨大潜力.
• 人工智能驱动的面部分析可以作为一个有价值的查工具或为临床医生提供补充帮助.
• 将其纳入临床实践可以改善早期检测,个性化治疗和帕金森病患者护理.