MIL-O-PD: a two-stage multiple instance learning and heuristic optimization framework for unpaired multimodal Parkinson's diagnosis.

Araştırma özeti

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

Parkinson hastalığı (PD), yaygın bir nöro-dejeneratif bozukluktur. Son çalışmalar elektroensefalografi (EEG) ve PD teşhisi için konuşma sinyalleri gibi invaziv olmayan biyobelirteçleri kullanmıştır. Bununla birlikte, bunların çoğu örnek seviyesindeki modelleri optimize ederken, klinik tanı konu düzeyinde bir karar verme sürecidir. Bu çalışmada, PD tanısını formüle eden iki aşamalı yeni bir konu düzeyinde multimodal çerçeve olan MIL-O-PD'yi önermekteyiz. Aşama-1, modaliteye özgü kodlayıcılar ve dikkate dayalı bir toplama mekanizması ile Çoklu Enstanz Öğrenme yaklaşımını uygular. Stage-2, Gray Wolf Optimization tabanlı bir post-hoc özellik optimizasyon modülü ve son konu düzeyinde sınıflandırıcıyı dahil etmeye odaklanır. Katı özne-bağımsız koşullar altında temsil düzeyinde multimodal füzyonu destekler. Önerilen çerçeve, konu düzeyindeki% 70,5 doğruluk ve% 69,7 F1 puana kadar ulaşırken, alternatif havuzlama mekanizmalarını geride bırakıyor. Ayrıca, dikkat ağırlıklarının analizi, modelin yorumlanabilirliğini destekleyen modaliteye özgü davranışı vurgulamaktadır. Genel olarak, bu çalışma, öğrenme hedeflerini gerçek dünya teşhis süreçleriyle hizalamanın önemini ele alan eşlenmemiş multimodal veriler için tasarlanmış PD'nin konu düzeyinde analizi için prensipli bir çerçeve sunmaktadır.

Özgün kaynak özetini okuyun

Parkinson's disease (PD) is a common neuro-degenerative disorder. Recent studies have used non-invasive biomarkers such as electroencephalography (EEG) and speech signals for PD diagnosis. However, majority of them optimize models at the instance level, whereas clinical diagnosis is a subject-level decision making process. In this work, we propose MIL-O-PD, a novel two-stage subject-level multimodal framework that formulates PD diagnosis. The stage-1 implements a Multiple Instance Learning approach with modality specific encoders and an attention-based aggregation mechanism. Stage-2 focuses incorporating a Gray Wolf Optimization-based post-hoc feature optimization module and final subject-level classifier. It supports representation-level multimodal fusion under strict subject-independent conditions. The proposed framework achieves up to 70.5% subject-level accuracy and 69.7% F1-score, while outperforming alternate pooling mechanisms. Further, the analysis of attention weights highlights modality-specific behavior, supporting the interpretability of the model. Overall, this study presents a principled framework for subject-level analysis of PD designed for unpaired multimodal data addressing the importance of aligning learning objectives with real-world diagnostic processes.

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.