NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD), subjektif klinik değerlendirmelere güvenilmesi nedeniyle erken tanının zor kaldığı, motor ve motor olmayan bozukluklarla karakterize olan ilerici bir nörodejeneratif bozukluktur. Son yapay zeka (AI) tabanlı yaklaşımlar, konuşma, yürüyüş ve el yazısı gibi bireysel modalitelerden ince PD biyobelirteçlerinin tanımlanmasında söz vermiştir; Bununla birlikte, unimodal sistemler genellikle hastalığın heterojenliğini yakalayamaz ve sınırlı yorumlanabilirlik sağlar. Bu sınırlamaları ele almak için, bu çalışma, el yazısı, yürüyüş ve konuşma modalitelerini, sağlam ve yorumlanabilir PD tespiti için erken özellikli bir füzyon stratejisi kullanarak birleştiren çok modlu derin öğrenme çerçevesi önermektedir. Her modalite, derin sinir ağları kullanılarak özel bir özellik çıkarma boru hattı aracılığıyla işlenir, ardından statik özellik birleştirme ve XGBoost modeli kullanılarak sınıflandırma yapılır. Model şeffaflığı, Shapley Additive exPlanations (SHAP) ve Gradient ağırlıklı Class Activation Mapping (Grad-CAM) gibi açıklanabilir AI (XAI) teknikleri kullanılarak geliştirilmiştir, bu da modality- ve özellik düzeyinde katkıların klinik olarak yorumlanabilirliğini sağlar. Benchmark veri kümeleri üzerinde yapılan deneysel değerlendirmeler, önerilen trimodal füzyon modelinin %92, performans gösteren unimodal el yazısı (%91), yürüyüş (%90) ve konuşma (%74) modellerinin doğruluğunu sağladığını göstermektedir. Füzyon çerçevesi 0,89'luk bir makro F1-skoruna, 0,95'lik ROC eğrisinin (AUC) altındaki bir alana ve 0,96'lık ortalama bir hassasiyete (AP) ulaşır ve bu da güçlü ayrımcı kabiliyeti ve sağlamlığı gösterir. Karışıklık matris analizi, sınıflar arasında dengeli duyarlılık (%90) ve özgüllük (%89) ortaya koymaktadır. Açıklanabilirlik analizi, el yazısı titreme desenlerinin, yürüyüş kuvveti asimetrilerinin ve konuşma spektral kararsızlıklarının PD tahminine önemli katkıda bulunduğunu doğrulamaktadır. Bu sonuçlar, erken PD tespiti için doğru, güvenilir ve klinik olarak yorumlanabilir çözümler sunmada açıklanabilir multimodal AI'nın etkinliğini vurgulamaktadır.
Özgün kaynak özetini okuyun
Parkinson's disease (PD) is a progressive neurodegenerative disorder characterized by motor and non-motor impairments, where early diagnosis remains challenging due to reliance on subjective clinical assessments. Recent artificial intelligence (AI)-based approaches have demonstrated promise in identifying subtle PD biomarkers from individual modalities such as speech, gait, and handwriting; however, unimodal systems often fail to capture the heterogeneity of the disease and provide limited interpretability. To address these limitations, this study proposes a multimodal deep learning framework that integrates handwriting, gait, and speech modalities using an early feature fusion strategy for robust and interpretable PD detection. Each modality is processed through a dedicated feature extraction pipeline using deep neural networks, followed by static feature concatenation and classification using an XGBoost model. Model transparency is enhanced using explainable AI (XAI) techniques, including SHapley Additive exPlanations (SHAP) and Gradient-weighted Class Activation Mapping (Grad-CAM), enabling clinical interpretability of modality- and feature-level contributions. Experimental evaluation on benchmark datasets demonstrates that the proposed trimodal fusion model achieves an accuracy of 92%, outperforming unimodal handwriting (91%), gait (90%), and speech (74%) models. The fusion framework attains a macro F1-score of 0.89, an area under the ROC curve (AUC) of 0.95, and an average precision (AP) of 0.96, indicating strong discriminative capability and robustness. Confusion matrix analysis reveals balanced sensitivity (90%) and specificity (89%) across classes. Explainability analysis confirms that handwriting tremor patterns, gait force asymmetries, and speech spectral instabilities are key contributors to PD prediction. These results highlight the effectiveness of explainable multimodal AI in delivering accurate, reliable, and clinically interpretable solutions for early PD 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.