类似步行网络与XAI用于帕金森病分类:试点研究

科学领域:

• 生物医学工程 生物医学工程
• 神经科学是一个神经科学.
• 数据科学数据科学数据科学

背景情况:

• 帕金森病 (PD) 诊断依赖于临床评估,临床评估很难量化微妙的运动变化.
• 需要客观的定量生物标志物,以便早期和准确的PD检测和监测.

研究的目的:

• 开发和验证一种综合方法,结合基于图形的动力学分析和可解释的机器学习 (ML) 来识别帕金森运动障碍的数字生物标志物.
• 用先进的计算方法量化与PD相关的运动动态的变化.

主要方法:

• 使用Xsens惯性传感器从51名PD患者和53名健康对照获得动力学数据.
• 使用Jensen-Shannon分歧构建主体特定的动态网络,以建模跨细分相似性.
• 提取了图形理论指标并应用了一个ML管道 (投票特征选择,XGBoost) 与嵌套交叉验证.

主要成果:

• 在区分PD患者与对照患者方面取得了强大的分类性能 (AUC = 0.87).
• 使用SHAP可解释性识别了13个关键特征,突出了速度,分段间连接和网络中心性的变化.
• 观察到PD患者的位置变异性增加,远端四肢速度减少和近位偏差网络中心性,与临床严重程度相关.

结论:

• 综合方法有效地识别了帕金森症运动障碍的定量生物标志物.
• 图形理论运动网络和可解释的人工智能为PD的客观运动评估提供了有希望的工具.
• 这些数字生物标志物有可能支持帕金森病的临床诊断和管理.