NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
GirişParkinson hastalığı (PD), substantia nigra'daki dopaminerjik nöronların kaybından kaynaklanan, 60 yaşın üzerindeki küresel nüfusun yaklaşık% 2-3'ünde motor ve motor olmayan semptomlarla ortaya çıkan ilerici bir nörodejeneratif bozukluktur. Erken teşhis zordur, çünkü semptomlar incedir ve genellikle normal yaşlanmadan ayırt edilemez. Mevcut klinik standart olan MDS-UPDRS derecelendirme ölçeği, zaman yoğun, özneldir ve deneyimli klinisyenler gerektirir. Hesaplamalı yaklaşımların çoğu unimodaldir ve kombinasyon halinde görüntü ve yapılandırılmış klinik verileri kullanmaz.MethodsWe, PD hastalarını ve sağlıklı kontrolleri elle çizilmiş spiral ve meander desenlerinden sınıflandıran hibrit bir kuantum-klasik çift raylı multimodal ağ önermektedir. İlk parça, Topolojik Görsel-Uzaysal Özellik Enkoder Ağı (TVSFE), Çapraz Boyutlu Dikkat Darboğazı (CDAB) blokları ile hayalet modül tabanlı bir CNN kullanır, koordinat dikkat, sıkma-ve-excition ve üçlü dikkat, ardından genlik gömme ile bir kuantum varyasyon devresi. İkinci parça, Varyational Quantum Feature Mapping Network (VQFMN), yapılandırılmış klinik ve demografik verileri RY dönüş kapıları ve güçlü bir şekilde kaplayan katmanlar aracılığıyla kodlar. Her iki parçadan çıkan çıktılar birleştirilir ve sınıflandırma için tamamen bağlı katmanlardan geçirilir.ResultsOn the HandPD test seti, model elde 97.28% doğruluk, 96.60% hassasiyet, 96.62% hatırlama ve 96.54% F1-score, tüm CNN, transformatör ve ML tabanlı tabanları karşılaştırarak daha iyi performans gösterdi. Beş katlı çapraz doğrulama, %96,58 ortalama doğruluk üretti. NewHandPD veri setinde doğruluk, doğruluk, hatırlama ve F1-skoru% 95.45 idi.KeşifKuantum-klasik füzyon hem tek modalite hem de tamamen klasik varyantlardan daha iyi performans gösterir. Grad-CAM, sınıflandırmayı yönlendiren mekansal görüntü bölgelerini yerelleştirir ve pertürbasyona dayalı duyarlılık analizi, Root Mean Square (RMS) ve yaşını en etkili yapılandırılmış özellikler olarak tanımlar. Her ikisi de modelin muhakemesini, karar verme için önemli olan modalite düzeyinde izlenebilir hale getirir.
Özgün kaynak özetini okuyun
IntroductionParkinson's disease (PD) is a progressive neurodegenerative disorder caused by the loss of dopaminergic neurons in the substantia nigra, presenting with motor and non-motor symptoms in roughly 2-3% of the global population above age 60. Early detection is difficult because symptoms are subtle and often indistinguishable from normal aging. The MDS-UPDRS rating scale, the current clinical standard, is time-intensive, subjective, and requires experienced clinicians. Most computational approaches are unimodal and do not use image and structured clinical data in combination.MethodsWe propose a hybrid quantum-classical dual-track multimodal network that classifies PD patients and healthy controls from hand-drawn spiral and meander patterns. The first track, the Topological Visual-Spatial Feature Encoder Network (TVSFE), uses a ghost module-based CNN with Cross-Dimensional Attention Bottleneck (CDAB) blocks incorporating coordinate attention, squeeze-and-excitation, and triplet attention, followed by a quantum variational circuit with amplitude embedding. The second track, the Variational Quantum Feature Mapping Network (VQFMN), encodes structured clinical and demographic data through RY rotation gates and strongly entangling layers. Outputs from both tracks are concatenated and passed through fully connected layers for classification.ResultsOn the HandPD test set, the model achieved 97.28% accuracy, 96.60% precision, 96.62% recall, and 96.54% F1-score, outperforming all CNN, transformer, and ML-based baselines compared. Five-fold cross-validation produced a mean accuracy of 96.58%. On the NewHandPD dataset, accuracy, precision, recall, and F1-score were all 95.45%.DiscussionThe quantum-classical fusion outperforms both single-modality and fully classical variants. Grad-CAM localizes the spatial image regions driving classification and the perturbation-based sensitivity analysis identifies Root Mean Square (RMS) and age as the most influential structured features. Both together make the model's reasoning traceable at the modality level, which is important for decision-making.
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.