NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD), motor ve motor olmayan semptomlarla karakterize olan, ses bozukluğunun en erken ve en yaygın olanlardan biri olduğu ilerleyici bir nörodejeneratif bozukluktur. Son yıllarda, makine öğrenimi (ML) ve derin öğrenme (DL) ile desteklenen ses analizi, erken PD tespiti için umut verici bir non-invaziv yöntem olarak ortaya çıkmıştır. PubMed, Scopus, IEEE Xplore ve Web of Science veritabanlarını 2020 ve Eylül 2025 arasında yayınlanan çalışmalar için araştıran sistematik bir inceleme yaptık. Toplam 69 çalışma kapsam kriterlerini karşıladı ve veri kümesi özellikleri, konuşma görevleri, özellik çıkarma teknikleri, model mimarileri, doğrulama stratejileri ve performans sonuçları açısından analiz edildi. Destek Vektör Makineleri (SVM'ler) ve Rastgele Ormanlar (RF'ler) gibi klasik ML modelleri küçük, homojen veri kümeleri üzerinde yüksek doğruluk elde ederken, DL mimarileri, özellikle Convolutional Neural Networks (CNN'ler), Tekrarlayan Sinir Ağları (RN'ler) ve Transformer tabanlı temel modeller, diller ve kayıt koşulları arasında daha sağlamlık ve ölçeklenebilirlik gösterdi. Bu gelişmelere rağmen, veri kümesi heterojenliği, sınıf dengesizliği ve tutarsız doğrulama uygulamaları gibi sürekli zorluklar, tekrarlanabilirliği ve klinik çeviriyi engellemeye devam ediyor. Genel olarak, alan el yapımı özellik tabanlı boru hatlarından, daha iyi genellenebilirlik vaat eden kendi kendini denetleyen, temsil öğrenme çerçevelerine geçiş yapıyor. Gelecekteki ilerleme, klinik olarak güvenilir ve eşitlikçi ses tabanlı PD teşhislerini sağlamak için büyük, çok dilli ve açıkça erişilebilir veri kümelerinin, standart değerlendirme protokollerinin ve yorumlanabilir AI çerçevelerinin geliştirilmesine bağlı olacaktır.
Özgün kaynak özetini okuyun
Parkinson's disease (PD) is a progressive neurodegenerative disorder characterized by motor and non-motor symptoms, among which vocal impairment is one of the earliest and most prevalent. In recent years, voice analysis supported by machine learning (ML) and deep learning (DL) has emerged as a promising non-invasive method for early PD detection. We conducted a systematic review searching PubMed, Scopus, IEEE Xplore, and Web of Science databases for studies published between 2020 and September 2025. A total of 69 studies met the inclusion criteria and were analyzed in terms of dataset characteristics, speech tasks, feature extraction techniques, model architectures, validation strategies, and performance outcomes. Classical ML models such as Support Vector Machines (SVMs) and Random Forests (RFs) achieved high accuracy on small, homogeneous datasets, while DL architectures, particularly Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs), and Transformer-based foundation models, demonstrated greater robustness and scalability across languages and recording conditions. Despite these advances, persistent challenges such as dataset heterogeneity, class imbalance, and inconsistent validation practices continue to hinder reproducibility and clinical translation. Overall, the field is transitioning from handcrafted feature-based pipelines toward self-supervised, representation-learning frameworks that promise improved generalizability. Future progress will depend on the development of large, multilingual, and openly accessible datasets, standardized evaluation protocols, and interpretable AI frameworks to ensure clinically reliable and equitable voice-based PD diagnostics.
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.