PDXNet:一种可解释的混合注意力卷积神经网络,用于帕金森病监测和评估

科学领域:

• 生物医学工程 生物医学工程
• 医疗保健中的人工智能
• 神经科学是一个神经科学.

背景情况:

• 帕金森病 (PD) 是一种流行的神经退行性疾病,影响全球健康.
• 需要使用可穿戴传感器和AI的先进,便携式监控解决方案.
• 当前的人工智能模型往往缺乏透明度,阻碍了对临床应用的信任.

研究的目的:

• 开发一种可解释的AI模型 (PDXNet) 以使用可穿戴传感器数据进行精确的帕金森病震评估.
• 通过可解释模型洞察力,增强用户对人工智能驱动的医疗监测的信任.
• 用现实世界PD患者数据验证模型的性能和可解释性.

主要方法:

• 开发PDXNet,一种用于PD震检测的混合注意力卷积神经网络 (CNN).
• 从可穿戴传感器数据中自动提取静止震段.
• 应用显著性地图和夏普利添加式解释 (SHAP) 来实现模型的解释性.

主要成果:

• 在评估的存在 (AUC > 0.93) 中,PDXNet 实现了高准确度.
• 可解释性方法 (性地图,SHAP) 可视化了与专家临床直觉一致的特征贡献.
• 该模型证明了帕金森病患者的休息震的可靠性和有效评估.

结论:

• PDXNet提供了一种可靠和可解释的AI解决方案,用于使用可穿戴技术监测帕金森病.
• 可解释的方法促进了信任,解决了在医疗保健中采用人工智能的关键障碍.
• 这项技术有可能显著改善PD患者的监测和管理.