NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD), dünya çapında milyonlarca insanı etkileyen, erken ve doğru tanıda önemli zorluklar yaratan ilerici bir nörolojik bozukluktur. Makine öğrenimindeki (ML) son gelişmeler, daha kesin ve verimli PD tahminleri sağlayarak bu zorlukların üstesinden gelmek için umut verici yaklaşımlar sunmaktadır. Bu makale, PD tahmini için geliştirilmiş bir ML çerçevesi, veri dengeleme, özellik seçimi ve açıklanabilir AI teknikleri sunar. Dokuz farklı ML algoritmasını klinik ve ses özelliklerinden oluşan bir veri kümesi kullanarak değerlendiriyoruz. Sınıf dengesizliğini ele almak için, sonuçları dengesiz bir taban çizgisiyle karşılaştırarak Sentetik Azınlık Aşırı Örnekleme Tekniğini (SMOTE) ve NearMiss'i kullanıyoruz. Featurewiz, Tree Based Feature Importance ve chi-square testi dahil olmak üzere özellik mühendisliği yaklaşımları, Pitch Period Entropy (PPE), Noise-to-Harmonic Ratio (NHR) ve diğer ses biyobelirteçleri gibi önemli tahmin edici özellikleri tanımlamak için kullanılır. Açıklanabilir AI (XAI) teknikleri (SHAP ve LIME) model karar verme sürecini yorumlar ve etkili özellikleri vurgular. SMOTE ile en iyi performans gösteren model olan KNN, %92 doğruluk, F1-score 0.94 ve 0.95-demonstrating dengeli, güvenilir PD algılamalı bir G-Mean elde etti. Bazı modeller dengesiz veriler üzerinde daha yüksek doğruluk elde ederken (yüzde 97'ye kadar), performansları hassasiyet ve dengeden yoksundu. Bulgularımız, SMOTE'yi özellik mühendisliği ve XAI ile birleştirmenin model adilliğini, performansını ve yorumlanabilirliğini önemli ölçüde artırdığını göstermektedir. Bu araştırma, erken tanı ve daha iyi hasta yönetimini desteklemek için doğru ve yorumlanabilir bir ML tabanlı tanı aracı sağlayarak PD tahminini ilerletmektedir.
Özgün kaynak özetini okuyun
Parkinson's disease (PD) is a progressive neurological disorder that affects millions globally, posing significant challenges in early and accurate diagnosis. Recent advancements in machine learning (ML) offer promising approaches for addressing these challenges by enabling more precise and efficient PD predictions. This paper proposes an enhanced ML framework for PD prediction, integrating data balancing, feature selection, and explainable AI techniques. We evaluate nine different ML algorithms using a dataset of clinical and voice features. To address the class imbalance, we employ the Synthetic Minority Oversampling Technique (SMOTE) and NearMiss, comparing results to an imbalanced baseline. Feature engineering approaches, including Featurewiz, Tree based Feature Importance and the chi-square test, are utilized to identify key predictive features such as Pitch Period Entropy (PPE), Noise-to-Harmonic Ratio (NHR), and other voice biomarkers. Explainable AI (XAI) techniques (SHAP and LIME) interpret model decision-making and highlight influential features. The best-performing model, KNN with SMOTE, achieved 92% accuracy, F1-score 0.94, and a G-Mean of 0.95-demonstrating balanced, reliable PD detection. While some models achieved higher accuracy on imbalanced data (up to 97%), their performance lacked sensitivity and balance. Our findings suggest that combining SMOTE with feature engineering and XAI substantially enhances model fairness, performance, and interpretability. This research advances PD prediction by providing an accurate and interpretable ML-based diagnostic tool to support early diagnosis and better patient management.
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.