NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Arka plan: Parkinson hastalığı (PD), motor ve konuşma işlevlerini büyük ölçüde etkileyen dejeneratif bir nörolojik bozukluktur; Bu nedenle, erken teşhis, hastaların yaşam kalitesini iyileştirmek için hayati önem taşır. Bu çalışma, şeffaf yorumlanabilirlik teknikleri ile topluluk ve derin öğrenme modellerini birleştiren PD tespiti için birleşik ve açıklanabilir bir AI çerçevesi sunar. Yöntemler: Parkinson'un Ses Bozukluğu Veri setinden akustik özellikler çıkarıldı ve geleneksel sınıflandırıcılar (Logistik Regresyon, Karar Ağacı, KNN, Doğrusal Regresyon, SVM), topluluk yöntemleri (Random Ormanı, Gradient Boosting, XGBoost, LightGBM) ve sinir mimarileri (CNN, LSTM, GAN) dahil olmak üzere geniş bir makine öğrenimi ve derin öğrenme modelleri paketi değerlendirildi. Bulgular: Ensemble yöntemleri özellikle LightGBM (LGBM) ve Random Forest (RF) en iyi performansı elde ederek son teknoloji doğruluğuna (%98.01) ve ROC-AUC (0.9914) ulaştı. CNN ve GAN gibi derin öğrenme modelleri, doğrusal olmayan ve üretken ses kalıplarını yakalama yeteneklerini onaylayarak rekabetçi sonuçlar üretti. XAI analizi, spread2, PPE ve RPDE gibi doğrusal olmayan akustik biyobelirteçlerin, PD'deki disfoninin klinik kanıtlarıyla tutarlı olarak en etkili tahmin ediciler olduğunu ortaya koydu. Sonuç: Önerilen çerçeve, erken Parkinson tespiti için klinik olarak ilgili, ölçeklenebilir ve non-invaziv bir çözümü temsil eden tahmin edici doğruluk ve yorumlanabilirlik arasında güçlü bir denge sağlar.
Özgün kaynak özetini okuyun
Background: Parkinson's disease (PD) is a degenerative neurological disorder that greatly affects motor and speech functions; therefore, early diagnosis is vital for improving patients' quality of life. This work introduces a unified and explainable AI framework for PD detection that integrates ensemble and deep learning models with transparent interpretability techniques. Methods: Acoustic features were extracted from the Parkinson's Voice Disorder Dataset, and a broad suite of machine learning and deep learning models was evaluated, including traditional classifiers (Logistic Regression, Decision Tree, KNN, Linear Regression, SVM), ensemble methods (Random Forest, Gradient Boosting, XGBoost, LightGBM), and neural architectures (CNN, LSTM, GAN). Results: The ensemble methods-specifically LightGBM (LGBM) and Random Forest (RF)-achieved the best performance, reaching state-of-the-art accuracy (98.01%) and ROC-AUC (0.9914). Deep learning models like CNN and GAN produced competitive results, validating their ability to capture nonlinear and generative voice patterns. XAI analysis revealed that nonlinear acoustic biomarkers such as spread2, PPE, and RPDE are the most influential predictors, consistent with clinical evidence of dysphonia in PD. Conclusions: The proposed framework achieves a strong balance between predictive accuracy and interpretability, representing a clinically relevant, scalable, and non-invasive solution for early Parkinson's detection.
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.