NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD), motor semptomlarla işaretlenmiş ilerici bir nörodejeneratif bozukluktur, ancak erken tanı, semptomun diğer koşullarla örtüşmesi ve kesin biyobelirteçlerin (klinik değerlendirmeler) eksikliği nedeniyle zordur. Bu çalışmada, idiyopatik PD'nin erken teşhisine yönelik yeni bir multimodal yapay zeka (AI) tabanlı karar destek sistemi önermekteyiz. Bilgimizin en iyisine göre, bu, dört farklı modalitenin eşzamanlı analizini sağlayan ilk çerçevedir: yürüme, yüz ifadesi, ses ve duruş, oysa önceki çalışmalar tipik olarak unimodal veya kısmen multimodal yaklaşımlara odaklanmıştır. Ayrıca, doğal yürüyüş, dönüş, yüz, vokal ve postural özellikleri yakalamak için L şeklinde bir yürüyüş pisti ve entegre bir görsel-işitsel kayıt sistemi ile donatılmış kontrollü bir klinik test ortamı kurarak yeni bir veri seti oluşturduk. Her modalite için özel AI modelleri geliştirildi ve değerlendirildi. Yürüyüş modulalitesi için önerilen Çift Yönlü GRU modeli, hem [Formula: metine bakınız] puanı (%92.74) hem de eğrinin altındaki alan (AUC) (%97.86) açısından en iyi performansı elde etti ve üstün yürüyüş tabanlı sınıflandırma performansını gösterdi. Benzer şekilde, yüz modunda, eXtreme Gradient Boosting (XGBoost), Random Forest (RF) ve Categorical Boosting (CatBoost)'u birleştiren topluluk modeli, en yüksek [Formula: metine bakın] puanı (%92.31) verirken, aynı zamanda en iyi AUC'yi (%97.96) elde etti. Ses ve duruş modaliteleri için, en yüksek [Formula: bkz. metin] puanları elde edilememiş olsa da, RF tabanlı modeller literatürdeki ilgili modalite karşılaştırmalarında en yüksek AUC değerlerini (sırasıyla % 99,85 ve % 97,56) elde ettiler ve güçlü sınıf ayrılabilirliği ve ayrımcı yeteneği yansıttılar.
Özgün kaynak özetini okuyun
Parkinson’s disease (PD) is a progressive neurodegenerative disorder marked by motor symptoms, but early diagnosis is challenging due to symptom overlap with other conditions and a lack of definitive biomarkers (clinical assessments). In this study, we propose a novel multimodal artificial intelligence (AI)-based decision support system aimed at the early diagnosis of idiopathic PD. To the best of our knowledge, this is the first framework to enable the synchronous analysis of four distinct modalities: walking, facial expression, voice, and posture, whereas prior studies have typically focused on unimodal or partially multimodal approaches. We also constructed a new dataset by establishing a controlled clinical testing environment equipped with an L-shaped walking track and an integrated audiovisual recording system to capture natural walking, turning, facial, vocal, and postural characteristics. For each modality, specialized AI models were developed and evaluated. For the walking modality, the proposed Bidirectional GRU model achieved the best performance in terms of both [Formula: see text] score (92.74%) and area under the curve (AUC) (97.86%), demonstrating superior gait-based classification performance. Similarly, in the face modality, the ensemble model integrating eXtreme Gradient Boosting (XGBoost), Random Forest (RF), and Categorical Boosting (CatBoost) yielded the highest [Formula: see text] score (92.31%) while also achieving the best AUC (97.96%). For the voice and posture modalities, although the highest [Formula: see text] scores were not obtained, the RF-based models achieved the highest AUC values (99.85% and 97.56%, respectively) within their respective modality comparisons in the literature, reflecting strong class separability and discriminative capability.
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.