NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Şu anda küresel olarak en hızlı büyüyen nörodejeneratif bozukluk olan Parkinson hastalığı, sadece iki yıl içinde vakalarda% 50 artış göstermiştir. Hastalık ilerlemesi zaman içinde konuşma, hafıza ve motor fonksiyonları bozduğundan, erken teşhis hastaların yaşam kalitesini korumak için çok önemlidir. Makine öğrenimine dayalı tespit, Parkinson hastalığını tespit etme vaadi gösterse de, çoğu çalışma sınıflandırma için tek bir özelliğe dayanır ve hastalar arasındaki semptomların değişkenliğinden dolayı hataya eğilimli olabilir. Bu sınırlamayı ele almak için, dört önemli biyobelirteçte 150.000 örnek içeren mPower veri setini kullandık: ses, yürüyüş, tıklama ve demografik veriler. Bu ölçümlerden 64 özellik çıkardık ve 80. persentilin üzerindeki özellikleri seçmek için bir temel Random Forest modelini eğittik. Sınıflandırma için, kuantum makine öğrenimindeki son gelişmelerden yararlanarak, yüksek boyutlu kalıpları algılayan bir simulatable kuantum destek vektör makinesi (qSVM) tasarladık. Kaynak yoğun kuantum bilgisayarlarından ziyade standart donanımda çalıştırılabilen bu roman ve simulatable mimari ile modelimiz %90 doğruluk, 0,90 F-1 skoru ve 0.98-süren benchmark modellerinin AUC'si ile başarıya ulaşmaktadır. Çeşitli özellikler seti üzerine inşa edilmiş yenilikçi bir sınıflandırma çerçevesi kullanan modelimiz, erişilebilir küresel Parkinson taraması için bir yol sunuyor.
Özgün kaynak özetini okuyun
Parkinson's disease, currently the fastest-growing neurodegenerative disorder globally, has seen a 50% increase in cases within just two years. As disease progression impairs speech, memory, and motor functions over time, early diagnosis is crucial for preserving patients' quality of life. Although machine-learning-based detection has shown promise for detecting Parkinson's disease, most studies rely on a single feature for classification and can be error-prone due to the variability of symptoms between patients. To address this limitation we utilized the mPower dataset, which includes 150,000 samples across four key biomarkers: voice, gait, tapping, and demographic data. From these measurements, we extracted 64 features and trained a baseline Random Forest model to select the features above the 80th percentile. For classification, we designed a simulatable quantum support vector machine (qSVM) that detects high-dimensional patterns, leveraging recent advancements in quantum machine learning. With this novel and simulatable architecture that can be run on standard hardware rather than resource-intensive quantum computers, our model achieves an accuracy of 90%, F-1 score of 0.90, and an AUC of 0.98-surpassing benchmark models. Utilizing an innovative classification framework built on a diverse set of features, our model offers a pathway for accessible global Parkinson's screening.
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.