可解释的多式联通功能融合网络用于帕金森病预测

科学领域:

• 神经科学是一个神经科学.
• 计算机科学 计算机科学
• 医学诊断 医学诊断 医学诊断

背景情况:

• 帕金森病 (PD) 诊断是具有挑战性的,因为主观评估和疾病异质性.
• 目前用于PD检测的AI方法通常是单模式的,限制了准确性和可解释性.
• 细微的生物标志物存在于语音,步态和手写,但有效地整合它们是关键.

研究的目的:

• 开发和评估一个可解释的多式联络深度学习框架,以进行可靠和可解释的帕金森病早期检测.
• 使用早期特征融合策略整合手写,步态和语音数据.
• 通过可解释AI (XAI) 技术提高模型透明度和临床解释性.

主要方法:

• 开发了一个三模深度学习框架,使用早期的功能融合策略将手写,步态和语音的特征融合在一起.
• 深度神经网络被用于模式特定的特征提取,其次是XGBoost分类.
• 可解释的AI技术,包括SHAP和Grad-CAM,用于模型解释性.

主要成果:

• 三模融合模型实现了92%的准确性,优于单模模型 (手写:91%,步行:90%,言语:74%).
• 该框架表现出强大的区分能力,宏观F1得分为0.89,AUC为0.95,AP为0.96.
• 可解释性分析确定了手写震,步态不对称和语音不稳定性作为PD的关键预测因素.

结论:

• 可解释的多式人工智能为早期发现帕金森病提供了准确,可靠和临床可解释的解决方案.
• 整合不同的数据模式可以提高诊断性能,并解决疾病异质性问题.
• 拟议的框架为临床应用提供了有关PD特异性生物标志物的宝贵见解.