NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığında motor semptomlara odaklanan mevcut makine öğrenimi yaklaşımları genellikle küçük veri kümeleri üzerinde eğitilir ve genellikle gelişimsel kurulumlardan klinik uygulamalara kadar genellenebilirlikten yoksundur. Kendi kendini denetleyen öğrenme yoluyla sağlıklı katılımcıların büyük, etiketsiz veri setlerini kullanan vakıf modelleri, motorik semptomların potansiyel etkisine rağmen, sınırlı örneklerle bu tür kurulumlar için çekici görünmektedir. Örnek olarak hareket eden bu çalışma, ince ayarlı modellerin sağlamlığını, veri kümeleri ve kayıt kurulumları arasındaki motor muayeneleri ile ilgili hareketleri tanımada değerlendirmeyi amaçlamaktadır. Parkinson hastalığı olan 51 katılımcının üç farklı eğitim ve ince ayar kurulumunda Accelerometer verileri, genel modeli hastalığa uyarlamak için kullanıldı. Modelin hem kısmen (F1 = 0,70) hem de tamamen (F1 = 0,69) önceden eğitilmiş ağırlıklar üzerinde eğitilmesi, istatistiksel olarak, modeli sıfırdan (F1 = 0.55) içe geçmiş çapraz doğrulamada eğitmekten önemli ölçüde daha iyi performans gösterdi. Değerlendirme için, modelin klinikte 24 hastadan kaydedilen verileri işleme yeteneği test edildi. Modeller 0.33 F1 puan (sıfırdan tren), tam 0,43 ve kısmi ince ayar için 0,48 puan daha düşük ortalama elde etti, ancak sıfırdan eğitime kıyasla sensörlerin yönelimine ilişkin gelişmiş genellenebilirlik ve sağlamlık gösterdi. Sağlıklı katılımcılar üzerinde eğitilmiş ve hareket bozukluklarındaki klinik uygulamalar için ince ayarlı ivmeölçer verileri için temel modelleri kullanmak, küçük veri kümeleriyle optimize edilmiş genellenebilirlik için etkili bir strateji olarak görünmektedir.
Özgün kaynak özetini okuyun
Current machine learning approaches focusing on motor symptoms in Parkinson's disease are commonly trained on small datasets and often lack generalizability from developmental setups to clinical applications. Foundation models using large, unlabeled datasets of healthy participants through self-supervised learning appear attractive for such setups with limited samples, despite the potential impact of motoric symptoms. Acting as an exemplar, this study aims to evaluate the robustness of fine-tuned models in recognizing movements related to motor examinations across datasets and recording setups. Accelerometer data of 51 participants with Parkinson's disease in three different training and fine-tuning setups were used to tailor the general model to the disease. Training the model on pre-trained weights, both partially (F1 = 0.70) and fully (F1 = 0.69), statistically significantly outperformed training the model from scratch (F1 = 0.55) in a nested cross-validation. For evaluation, the model's ability to process data recorded from 24 patients in clinic was tested. The models achieved lower mean F1 scores of 0.33 (train from scratch), 0.43 for full, and 0.48 for partial fine-tuning, but demonstrated improved generalizability and robustness regarding the orientation of sensors compared to training from scratch. Utilizing foundation models for accelerometer data trained on healthy participants and fine-tuned for clinical applications in movement disorders appears as an effective strategy for optimized generalizability with small datasets.
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.