好文推荐|基于单模态和多模态的帕金森病分析及潜在因素识别

更新时间:2024-11-13

AEIC官网-版头.gif



640 (3).png


近日,一篇来自孟加拉国南北大学(North South University)的论文“Single and Multi-modal Analysis for Parkinson’s Disease to Detect Its Underlying Factors”(译“基于单模态和多模态的帕金森病分析及潜在因素识别”) 在国际期刊《以人为中心的智能系统(英文)》(Human-Centric Intelligent Systems, HCIN, eISSN: 2667-1336)上公开发表(DOI:https://doi.org/10.1007/s44230-024-00069-z)。


640 (4).png


640 (4).jpg


▲ 图 单/多模态帕金森病分析的流程图。


一句话概要:

多模态机器学习助力帕金森病早防早治和潜在因素分析。


研究动机:

帕金森病是一种神经系统退行性疾病,会使患者日常活动产生运动和非运动性障碍。根据世界卫生组织(WHO)的统计, 从1990年至2016年,全球患病人数已从250万增长到610万,已成为一个重要的公共卫生问题。目前尚无根治帕金森病的方法,现有的药物和运动疗法只能缓解症状,延缓疾病进展。因此,通过分析个体表现症状,及时锁定高风险人群,实现帕金森病的早防早治和全面护理显得尤为重要。

世界各地的专家学者正在积极探索帕金森病的诊断方法,其中多模态分析是目前主要的研究方向。现有方法主要存在以下不足:

  • 单模态分析需要从众多功能测试中选择一种作为研究对象。这种方法虽然较为简洁,但不足以全面捕获帕金森病的潜在因素;

  • 多模态分析结合不同的功能测试,可以准确地分析帕金森病。但现有方法通常利用统计汇总等方式计算特征,缩小了多模态分析的范围。


研究方法与发现:

本文提出了一种新的帕金森病智能检测和潜在因素分析方法,该方法首先利用搜索技术细化原始数据,使其符合模型训练要求,并通过投票法来标记数据,生成数据集。针对单模态分析,本文提出的方法探索了5种不同的机器学习算法,通过支持向量机实现高精度的帕金森病检测。针对多模态分析,利用四种树模型对12种功能测试中的特征进行选择,然后利用神经网络模型分析筛选出的前10个重要特征,实现帕金森病的智能检测。实验结果表明,筛选出来的重要特征,可以使帕金森病检测的精度达到90%左右。


研究贡献

1)利用搜索技术和投票法从原始的帕金森病记录中生成了符合模型训练需求的数据集;

2)探索了5种不同的机器学习算法,实现了帕金森病的单模态和多模态分析,提升了帕金森病的检测精度;

3)通过树模型筛选出与帕金森病相关的10个重要特征。


(编辑:胡开喜)

关于期刊


640 (5).png

Human-Centric Intelligent Systems(eISSN:2667-1336)是一本国际化的,经过严格同行评审的开放获取期刊,致力于传播 “以人为中心的智能系统” 中所有相关理论和实际应用的最新研究成果,并提供以人为中心的计算与分析领域的前沿理论和算法见解。为了鼓励科研成果的传播,本刊暂不收取文章处理费。


期刊主编:西南交通大学李天瑞教授与澳大利亚悉尼科技大学徐贯东教授

顾问委员:东京大学教授,日本国家信息研究所所长Masaru Kitsuregawa与伊利诺伊大学芝加哥分校Philip S. Yu教授


投稿咨询:

HCIN期刊编辑部

Tel:17320182488

邮箱:hcin@editorialoffice.cn



AEIC官网-版尾.bmp

X