NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD), titreme, sertlik ve postural dengesizlik de dahil olmak üzere motor ve motor olmayan semptomlarla karakterize bir nörodejeneratif bozukluktur. Makine öğrenimi (ML) modelleri PD tanısı için umut vadetmiştir; Bununla birlikte, mevcut birçok yaklaşım adalet ve sağlamlığı açıkça ele almamaktadır. Sonuç olarak, bu modeller demografik gruplar arasında taraflı sonuçlara ve düşmanca saldırılara karşı savunmasızlığa yol açabilir. Bu çalışmada Parkinson İlerleme İşaretçileri Girişimi (PPMI) kohortunu kullandık ve bu kohort çeşitli yaş, cinsiyet ve ırk gruplarını kapsayan 1.084 katılımcıdan klinik ve demografik bilgileri içeriyordu. Çalışmamız, PD'nin ilerlemesini teşhis etmek için sağlam ve adil ML modelleri geliştirmenin temel zorluğuna değiniyor. Biz iki adil-optimize sınıflandırıcının performansını değerlendirdik, yani Rastgele Orman (RF) ve Karar Ağacı (DT). Model kırılganlığını değerlendirmek için, yanlılıkları arttırabilen ve doğruluğu düşürebilen kasıtlı veya hatalı veri değişikliklerini simüle eden, özellikle sızıntı ve veri zehirlenmesi saldırılarını etiketleyen düşmanca teknikler uyguladık. Bu düşmanca manipülasyonlar, model performansını önemli ölçüde düşürmüştür; Özellikle, DT doğruluğu hassas gruplar arasında% 10'dan fazla azalmıştır. RF modelinin doğruluğu %20 azaldı. Dahası, saldırı altında, demografik gruplar arasında olumlu bir tahmin alma şansındaki farklılıklara bakan İstatistiksel Parite Farkı (SPD) ve gruplar arasındaki gerçek pozitif oranlardaki farklılıklar için Fırsat Eşitliği Farkı (EOD) gibi adalet ölçütleri her ikisi de bir düşüş gösterdi. Bu kalıp, düşmanca pertürbasyonların, demografik gruplar arasında önyargıyı artırdığını ve performans eşitsizliklerini genişlettiğini göstermektedir. Sonuçlarımız, düşmanca saldırıların yanlış pozitif ve yanlış negatif insidansını artırdığını, böylece PD teşhis tahminlerinin doğruluğunu ve adilliğini azalttığını gösterdi. Bu bulgular, ırksal, yaş ve cinsiyet eşitsizliklerini hafifletmek ve güvenilir bir klinik karar verme süreci sağlamak için tıbbi yapay zekada sağlam ve adil savunmalara acil ihtiyaç olduğunun altını çiziyor.
Özgün kaynak özetini okuyun
Parkinson's disease (PD) is a neurodegenerative disorder characterized by motor and non-motor symptoms, including tremor, rigidity, and postural instability. Machine learning (ML) models have shown promise for the diagnosis of PD; however, many existing approaches do not explicitly address fairness and robustness. As a result, these models can lead to biased outcomes across demographic groups and vulnerability to adversarial attacks. In this study, we used the Parkinson's Progression Markers Initiative (PPMI) cohort, which includes clinical and demographic information from 1,084 participants spanning diverse age, sex, and racial groups. Our study addresses the key challenge of developing robust and equitable ML models to diagnose the progression of PD. We evaluated the performance of two fairness-optimized classifiers, namely, Random Forest (RF) and Decision Tree (DT). To evaluate model vulnerability, we applied adversarial techniques, specifically label leakage and data poisoning attacks, which simulate intentional or erroneous data alterations that can amplify biases and degrade accuracy. These adversarial manipulations substantially degraded model performance; specifically, DT accuracy declined by more than 10% between sensitive groups. The accuracy of the RF model decreased by 20%. Moreover, under attack, fairness metrics such as Statistical Parity Difference (SPD), which looks at differences in the chances of getting a positive prediction across demographic groups, and Equal Opportunity Difference (EOD) for differences in true positive rates between groups, both showed a decline. This pattern suggests that adversarial perturbations increased bias and widened performance disparities across demographic groups. Our results demonstrated that adversarial attacks increased the incidence of false positives and false negatives, thereby lowering the accuracy and fairness of the PD diagnostic predictions. These findings underscore the urgent need for robust and fairness-aware defenses in medical AI to mitigate racial, age, and gender disparities and ensure a reliable clinical decision-making process.
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.