NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
GirişParkinson Hastalığı (PD), yaşlanan nüfusu önemli ölçüde etkileyen, küresel sağlık sistemleri üzerinde artan bir yük oluşturan ilerici bir nörodejeneratif bozukluktur. PD'nin erken teşhisi, semptomların kademeli ve belirsiz başlangıcı nedeniyle klinik olarak zordur.MetodlarBu çalışma, UCI Parkinson'un veri setinden invazif olmayan biyomedikal ses biyobelirteçleri kullanarak PD'nin erken tanımlanması için bir makine öğrenme çerçevesi sunar. Veri kümesi, 31 katılımcıdan (23 PD ve 8 sağlıklı kontrol, yaşları 46-85) 195 sürekli fonasyon kaydından oluşur. Metodoloji, sınıf dengesizliğini ele almak için BorderlineSMOTE ile birlikte konu düzeyinde tabakalandırılmış bölünme ve normalleşmeyi içerir. Başlangıçta, bir XGBoost modeli ilk 10 akustik özellikleri seçmek için uygulanır, Bayesian optimize XGBoost sınıflandırıcı ardından, karar eşiği doğrulama verileri üzerinde F1-maksimizasyon ile ayarlanmış.SonuçlarBeklenti test setinde, model% 98.0 doğruluk, 0.97 makro-F1 ve 0.991 ROC-AUC elde eder. Bu performans, derin bir sinir ağı tabanının doğruluktaki yüzde 4,0 puan (94.0% ila 98.0%), makro-F1'deki yüzde 4,3 puan (92.7% ila 97.0%) ve AUC'deki 0,050 (0,941 ila 0,991) puanını aşmaktadır. Klasik bir SVM ile karşılaştırıldığında, doğrulukta 7.0 yüzde puan (91.0% ila% 98.0), makro-F1'de 6.5 yüzde puan (% 90.5 ila% 97.0) ve AUC'de 0.089 (0.902'den 0.991) ile daha iyi performans gösterir. Bu bulgular, erken PD taraması için invaziv olmayan, ölçeklenebilir ve açıklanabilir bir ses tabanlı aracın fizibilitesini göstermektedir ve mobil veya telehealth tanı platformlarına potansiyel entegrasyonunu vurgulamaktadır.
Özgün kaynak özetini okuyun
IntroductionParkinson's Disease (PD) is a progressive neurodegenerative disorder that significantly affects the aging population, creating a growing burden on global health systems. Early detection of PD is clinically challenging due to the gradual and ambiguous onset of symptoms.MethodsThis study presents a machine-learning framework for the early identification of PD using non-invasive biomedical voice biomarkers from the UCI Parkinson's dataset. The dataset consists of 195 sustained phonation recordings from 31 participants (23 PD and 8 healthy controls, ages 46-85). The methodology includes subject-level stratified splitting and normalization, along with BorderlineSMOTE to address class imbalance. Initially, an XGBoost model is applied to select the top 10 acoustic features, followed by a Bayesian-optimized XGBoost classifier, with the decision threshold tuned via F1-maximization on validation data.ResultsOn the held-out test set, the model achieves 98.0% accuracy, 0.97 macro-F1, and 0.991 ROC-AUC. This performance exceeds that of a deep neural network baseline by 4.0 percentage points in accuracy (94.0% to 98.0%), 4.3 percentage points in macro-F1 (92.7% to 97.0%), and 0.050 in AUC (0.941 to 0.991). Compared to a classical SVM, it outperforms by 7.0 percentage points in accuracy (91.0% to 98.0%), 6.5 percentage points in macro-F1 (90.5% to 97.0%), and 0.089 in AUC (0.902 to 0.991).DiscussionModel decisions are elucidated using SHAP, offering global and patient-specific insights into the influential voice features. These findings indicate the feasibility of a non-invasive, scalable, and explainable voice-based tool for early PD screening, highlighting its potential integration into mobile or telehealth diagnostic platforms.
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.