Parkinson's disease assessment with selfie video via feature engineering and explainable AI.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Parkinson hastalığı (PD), temel olarak motor bozukluklar ve azalmış yüz ekspresyonu ile karakterize edilen bir nörodejeneratif bozukluktur. Bu çalışma, PD varlığını, hastalık şiddetini ve motor fonksiyon puanlarını tahmin etmek için akıllı telefon ön kameraları aracılığıyla yakalanan yüz video verilerine uygulanan özellik mühendisliği yaklaşımlarının etkinliğini araştırıyor. 40 katılımcıdan oluşan bir kohort içinde, üç öngörücü model, dört yüz hareketi senaryosu ve beş çerçeve seçim stratejisinin bir kombinasyonu titizlikle değerlendirildi. PD sınıflandırması ile ilgili olarak, XGBoost modeli, PCA'nın varyansın% 95'ini elinde tutan çerçeve atlaması ile birlikte gülümseyen video senaryosunu kullanarak maksimum performans elde etti ve 0.77'lik bir doğruluk, 0.75'lik bir hassasiyet, 0.86'lık bir geri çağırma ve 0.79'luk bir F1-skoru elde etti. Hoehn & Yahr ciddiyet tahmini için, gülümseyen video, çerçeve atlama ve hiçbir PCA ile uygulanan Rastgele Orman modeli, en düşük RMSE 1,30 ve % 38,36 MAPE ile en iyi sonuca ulaştı. Ayrıca, Hareket Bozukluğu Topluluğu sponsorluğunda Birleşik Parkinson Hastalığı Derecelendirme Ölçeği (MDS-UPDRS) Bölüm III motor skoru tahmininin gözden geçirilmesinde, XGBoost modeli, 3 çerçeveli ortalamalama ve PCA ile gülümseyen videoyu kullanarak diğer konfigürasyonlardan daha iyi performans gösterdi Varyansın% 95'ini koruyarak, 19.34 RMSE ve% 45.33 MAPE elde etti. Önemli olarak, Açıklanabilir Yapay Zeka analizi, dudak ve ağız köşesi hareketlerinin hem PD sınıflandırması hem de Hoehn & Yahr tahmini için en kritik özellikler olduğunu tespit etti. Buna karşılık, kaş ve göz hareketleri MDS-UPDRS Part III motor skoru tahmini için baskın özelliklerdi. Bu bulgular, yüz dinamiklerinin PD değerlendirmesi ile ilgili bilgileri taşıdığını ve burada elde edilen doğruluk henüz klinik değerlendirmenin yerini almak için yeterli olmamasına rağmen, invaziv olmayan, erişilebilir tarama araçlarının daha da geliştirilmesini desteklediğini göstermektedir.

Özgün kaynak özetini okuyun

Parkinson's disease (PD) is a neurodegenerative disorder fundamentally characterized by motor impairments and diminished facial expressivity. This study investigates the efficacy of feature engineering approaches applied to facial video data captured via smartphone frontal cameras to predict PD presence, disease severity, and motor function scores. Within a cohort of 40 participants, a combination of three predictive models, four facial movement scenarios, and five frame selection strategies was rigorously evaluated. Regarding PD classification, the XGBoost model achieved maximum performance using the smiling video scenario with frame skipping combined with PCA retaining 95% of the variance, yielding an accuracy of 0.77, a precision of 0.75, a recall of 0.86, and an F1-score of 0.79. For Hoehn & Yahr severity estimation, the Random Forest model implemented with the smiling video, frame skipping, and no PCA attained the best result, with the lowest RMSE of 1.30 and a MAPE of 38.36%. Furthermore, in The Movement Disorder Society-sponsored revision of the Unified Parkinson's Disease Rating Scale (MDS-UPDRS) Part III motor score estimation, the XGBoost model outperformed other configurations using the smiling video with 3-frame averaging and PCA retaining 95% of the variance, achieving an RMSE of 19.34 and a MAPE of 45.33%. Crucially, the Explainable AI analysis identified that lip and mouth corner movements were the most critical features for both PD classification and Hoehn & Yahr estimation. In contrast, eyebrow and eye movements were the dominant features for MDS-UPDRS Part III motor score estimation. These findings indicate that facial dynamics carry information relevant to PD assessment and support further development of non-invasive, accessible screening tools, although the accuracy achieved here is not yet sufficient to substitute for clinical evaluation.

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.