NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Son zamanlarda önerilen Parkinson Hastalığı (PD) telediagnostis sistemleri, disfoni tespitine dayalı olarak, PD hastalarından sağlıklı deneklerin ayırt edilmesinde çok yüksek sınıflandırma oranları elde etmektedir. Bununla birlikte, bu çalışmalarda, sınıflandırma modelini oluşturmak için kullanılan veriler, hem erken hem de geç PD hastalarının konuşma kayıtlarını içerir ve farklı konuşma bozuklukları ile gerçekçi olmayan sonuçlar doğurur. Daha gerçekçi bir senaryoda, erken bir telediagnosis sisteminin şüpheli durumlarda sağlıklı denekler veya hafif konuşma bozukluğu olan erken PD hastaları tarafından kullanılması beklenmektedir. Bu makalede, hastalığın tedavisinde erken tanının kritik önemi göz önünde bulundurularak, Parkinson Hastalığı'nın erken teleagnostiğinde (PD) ses özelliklerinin iki aşamalı bir yaklaşımla makine öğrenme tekniklerini kullanma yeteneğini değerlendiriyoruz. İlk adımda, sadece hasta verilerini kullanarak, Unified Parkinson's Disease Rating Scale (UPDRS) skorunu hastalık ilerlemesinin bir göstergesi olarak kullanarak konuşma bozukluklarının nispeten daha şiddetli olduğu hasta grubunu belirlemeyi amaçlıyoruz. Bu amaçla, üç denetimli ve iki denetimsiz öğrenme tekniği kullanıyoruz. İkinci adımda, bu hasta grubunun örneklerini veri kümesinden hariç tutuyoruz, konuşma bozukluklarının ve sağlıklı deneklerin daha az ciddiyetine sahip PD hastalarının örneklerinden oluşan yeni bir veri kümesi oluşturuyoruz ve bu ikili sınıflandırma problemini çözmek için çeşitli ayarlara sahip üç sınıflandırıcı kullanıyoruz. Bu sınıflandırma probleminde, PD'nin erken telediagnostiği için bir karar destek sistemi oluşturmak için ses özelliklerinin kullanılabileceğini gösteren üçüncü derece polinom çekirdeğine sahip destek vektör makineleri kullanılarak %96,4 ve Matthew'un korelasyon katsayısı 0.77'nin en yüksek doğruluğu elde edilir.
Özgün kaynak özetini okuyun
The recently proposed Parkinson's Disease (PD) telediagnosis systems based on detecting dysphonia achieve very high classification rates in discriminating healthy subjects from PD patients. However, in these studies the data used to construct the classification model contain the speech recordings of both early and late PD patients with different severities of speech impairments resulting in unrealistic results. In a more realistic scenario, an early telediagnosis system is expected to be used in suspicious cases by healthy subjects or early PD patients with mild speech impairment. In this paper, considering the critical importance of early diagnosis in the treatment of the disease, we evaluate the ability of vocal features in early telediagnosis of Parkinson's Disease (PD) using machine learning techniques with a two-step approach. In the first step, using only patient data, we aim to determine the patient group with relatively greater severity of speech impairments using Unified Parkinson's Disease Rating Scale (UPDRS) score as an index of disease progression. For this purpose, we use three supervised and two unsupervised learning techniques. In the second step, we exclude the samples of this group of patients from the dataset, create a new dataset consisting of the samples of PD patients having less severity of speech impairments and healthy subjects, and use three classifiers with various settings to address this binary classification problem. In this classification problem, the highest accuracy of 96.4% and Matthew's Correlation Coefficient of 0.77 is obtained using support vector machines with third-degree polynomial kernel showing that vocal features can be used to build a decision support system for early telediagnosis of PD.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.