A Comprehensive Framework for Parkinson's Disease Detection Using Spiral Drawings and Advanced Machine Learning Techniques.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

ObjectiveBu çalışma, spiral çizimler kullanarak Parkinson hastalığını (PD) tespit etmek için güvenilir ve ölçeklenebilir bir çerçeve oluşturmayı amaçlamaktadır. Klinik ortamlarda tanı doğruluğunu ve pratik uygulamayı geliştirmek için gelişmiş makine öğrenme tekniklerini entegre eder.Malzemeler ve yöntemlerSpiral çizim verileri hem Parkinson hastalarından hem de sağlıklı bireylerden alınan örnekler de dahil olmak üzere kapsamlı bir veri kümesinden toplandı. Üç derin öğrenme modeli-ResNet50, VGG16 ve EfficientNetB0- çizimlerden ayrıntılı desenler çıkarmak için kullanıldı. Model performansını artırmak için dört özellik seçimi tekniği uygulandı: Ana Bileşen Analizi (PCA), Özyinelemeli Özellik Eliminasyonu (RFE), En Az Mutlak Daralan ve Seçim Operatörü (LASSO) ve ANOVA. Altı farklı sınıflayıcı (SVM, Random Forest [RF], Multi-Layer Perceptron [MLP], XGBoost, CatBoost ve oylama sınıflandırıcıları) test edildi. Sistemin teşhis doğruluğu dört metrik kullanılarak ölçüldü: doğruluk, hassasiyet, F1-score ve AUC-ROC. Sonuçları görselleştirmek için ısı haritaları ve ROC eğrileri oluşturuldu.SonuçlarModeller farklı konfigürasyonlarla yüksek sınıflandırma performansı elde etti. Örneğin, PCA ve MLP ile ResNet50 en yüksek doğruluk oranına (%98) ve AUC-ROC (%97) ulaştı. Benzer şekilde, PCA ile SVM doğruluk (%92) ve AUC-ROC (%98) elde etti. VGG16 için, LASSO ile XGBoost'u birleştirmek, yüksek F1-skorları (%90) ve AUC-ROC (%93) ile sonuçlanırken, PCA ile oy sınıflandırıcıları% 98'lik bir AUC-ROC elde etti. RFE ve XGBoost ile birlikte EfficientNetB0, sağlam genel metriklerle istisnai doğruluk (%98) sağladı. LASSO ile CatBoost dengeli performans elde etti, yüksek hassasiyet (%89) ve AUC-ROC (%96) gösterdi. Oylama sınıflandırıcıları gibi ensemble yöntemleri, sürekli olarak güçlü AUC-ROC değerleri sağladı, ancak MLP ve SVM gibi bireysel sınıflandırıcılara kıyasla doğruluk ve hassasiyette değişkenlik gösterdi.SonuçlarÇalışma, özellik çıkarma, seçim ve sınıflandırma için gelişmiş tekniklerin birleştirilmesinin PD algılama doğruluğunu önemli ölçüde artırabileceğini gösterdi. Gelecekteki araştırmalar, çoklu veri kaynaklarını entegre etmeye ve ölçeklenebilirliği ve klinik faydayı artırmak için gerçek zamanlı uygulamaları keşfetmeye odaklanmalıdır.

Özgün kaynak özetini okuyun

ObjectiveThis study aims to create a reliable and scalable framework for detecting Parkinson's disease (PD) using spiral drawings. It integrates advanced machine learning techniques to improve diagnostic accuracy and practical application in clinical settings.Materials and methodsSpiral drawing data were collected from a comprehensive dataset, including samples from both Parkinson's patients and healthy individuals. Three deep learning models-ResNet50, VGG16, and EfficientNetB0-were used to extract detailed patterns from the drawings. To enhance model performance, four feature selection techniques were applied: Principal Component Analysis (PCA), Recursive Feature Elimination (RFE), Least Absolute Shrinkage and Selection Operator (LASSO), and ANOVA. Six different classifiers (Support Vector Machine [SVM], Random Forest [RF], Multi-Layer Perceptron [MLP], XGBoost, CatBoost, and voting classifiers) were tested. The system's diagnostic accuracy was measured using four metrics: accuracy, sensitivity, F1-score, and AUC-ROC. Heatmaps and ROC curves were created to visualize the results.ResultsThe models achieved high classification performance with different configurations. For example, ResNet50 with PCA and MLP reached the highest accuracy (98%) and AUC-ROC (97%). Similarly, SVM with PCA achieved accuracy (92%) and AUC-ROC (98%). For VGG16, combining LASSO with XGBoost resulted in high F1-scores (90%) and AUC-ROC (93%), while the voting classifiers with PCA achieved an AUC-ROC of 98%. EfficientNetB0 combined with RFE and XGBoost delivered exceptional accuracy (98%) with robust overall metrics. CatBoost with LASSO achieved balanced performance, showing high sensitivity (89%) and AUC-ROC (96%). Ensemble methods, like voting classifiers, consistently provided strong AUC-ROC values but showed variability in accuracy and sensitivity compared to individual classifiers like MLP and SVM.ConclusionsThe study demonstrated that combining advanced techniques for feature extraction, selection, and classification can significantly improve PD detection accuracy. Future research should focus on integrating multiple data sources and exploring real-time applications to enhance scalability and clinical utility.

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.