NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
AmaçPD tanısı için mevcut yöntemler klinik muayeneye dayanır. Teşhisin doğruluğu 73 ile 84% arasında değişir ve klinik değerlendiricinin deneyiminden etkilenir. Bu nedenle, PD semptom tanımlaması için otomatik, etkili ve yorumlanabilir bir destek sistemi, klinisyenlerin daha sağlam PD teşhis kararları vermelerini destekleyecektir.MetodlarPD'nin analizini desteklemek için Parkinson'un titremesini (PT) analiz etmeyi önermektedir, çünkü PT geniş genellenebilirliğe sahip PD'nin en tipik semptomlarından biridir. Bu fikri gerçekleştirmek için, önden bakan insanların tüketici sınıfı videolarını girdi olarak alan derin öğrenme tabanlı bir PT sınıflandırması ve ciddiyet tahmini sistemi olan SPA-PTA'yı sunuyoruz. Sistemin çekirdeği, ilgili PT bilgisini etkili bir şekilde çıkartan ve gürültüyü filtreleyen hafif bir piramit kanal sıkma-füzyon mimarisine sahip yeni bir dikkat modülüdür. Sistem yorumlanabilirliğini geliştirirken modelleme performansını artırır.SonuçlarBiz sistemimizi iki görev üzerinde bireysel tabanlı leave-one-out çapraz doğrulaması yoluyla doğrularız: PT sınıflandırma görevi ve titreme şiddeti derecelendirme değerlendirmesi görevi. Sistemimiz, PT'yi PT sınıfı olmayan sınıfla sınıflandırmada %91,3 doğruluk ve %80,0 F1-skor sunarken, daha karmaşık çok sınıflı tremor sınıflandırma görevinde %76,4 doğruluk ve %76,7 F1-skor sunar.ConclusionOur sistem, PT semptomları olan tanı konmamış hastalar için PD'nin uyarı işaretleri olarak uygun maliyetli bir PT sınıflandırması ve titreme şiddeti tahmini sonuçları sunar. Buna ek olarak, sınırlı klinik kaynaklara sahip bölgelerde PD tanısını desteklemek için potansiyel bir çözüm sunar.
Özgün kaynak özetini okuyun
PurposeCurrent methods for diagnosis of PD rely on clinical examination. The accuracy of diagnosis ranges between 73 and 84%, and is influenced by the experience of the clinical assessor. Hence, an automatic, effective and interpretable supporting system for PD symptom identification would support clinicians in making more robust PD diagnostic decisions.MethodsWe propose to analyze Parkinson's tremor (PT) to support the analysis of PD, since PT is one of the most typical symptoms of PD with broad generalizability. To realize the idea, we present SPA-PTA, a deep learning-based PT classification and severity estimation system that takes consumer-grade videos of front-facing humans as input. The core of the system is a novel attention module with a lightweight pyramidal channel-squeezing-fusion architecture that effectively extracts relevant PT information and filters noise. It enhances modeling performance while improving system interpretability.ResultsWe validate our system via individual-based leave-one-out cross-validation on two tasks: the PT classification task and the tremor severity rating estimation task. Our system presents a 91.3% accuracy and 80.0% F1-score in classifying PT with non-PT class, while providing a 76.4% accuracy and 76.7% F1-score in more complex multiclass tremor rating classification task.ConclusionOur system offers a cost-effective PT classification and tremor severity estimation results as warning signs of PD for undiagnosed patients with PT symptoms. In addition, it provides a potential solution for supporting PD diagnosis in regions with limited clinical resources.
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.