NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Giriş: Ses tabanlı dijital biyobelirteçler, özellikle Parkinson hastalığı (PD) olmak üzere nörodejeneratif bozuklukların erken tespiti ve izlenmesi için umut verici, invaziv olmayan bir yaklaşım olarak ortaya çıkmıştır. Ses kayıtları mobil sağlık teknolojileri kullanılarak kolayca elde edilebilse de, rutin klinik uygulamaya entegrasyonu, model yorumlanabilirliği ve klinik doğrulama ile ilgili zorluklar nedeniyle sınırlı kalmaktadır. Bu çalışma, TALIA akıllı telefon ve web tabanlı platform aracılığıyla elde edilen ses kayıtlarının teşhis potansiyelini araştırmayı ve açıklanabilir yapay zeka (XAI) teknikleri kullanarak model şeffaflığını geliştirmeyi amaçladı. Yöntemler: PD ve kontrol grubu (CG) olan katılımcıların ses kayıtları, İtalya'nın Lecce kentindeki Vito Fazzi Hastanesi'ndeki TALIA dijital sağlık platformu kullanılarak altı aylık bir süre içinde alındı. Veriler kayıt düzeyinde kesitsel olarak değerlendirildi. Kalıcı sesli harf (/a/) fonasyonları önceden işlendi ve spektrogram görüntülerine dönüştürüldü. PD ve CG ses kayıtlarını sınıflandırmak için önceden eğitilmiş VGGish convolutional nöral ağına (VGGish-CNN) dayanan bir transfer-öğrenme çerçevesi geliştirilmiştir. Yorumlanabilirliği artırmak için, Yerel Yorumlanabilir Model-Agnostik Açıklamalar (LIME) ve Occlusion Sensitivity dahil olmak üzere açıklanabilir yapay zeka (XAI) yöntemleri, model tahminlerine en güçlü şekilde katkıda bulunan spektro-zamansal bölgeleri tanımlamak için entegre edildi. Sonuçlar: Önerilen VGGish-CNN çerçevesi, PD'yi CG'den ayırt etmede mükemmel sınıflandırma performansı gösterdi. Model, 0.93 doğruluk, 0.91 hassasiyet, 0.95 hatırlama, 0.93 F1-skoru, 0.16 kayıp ve 0.987'lik karakteristik eğriyi (AUC) çalıştıran alıcının altında bir alan elde etti. XAI analizleri, spektro-zamansal bölgelerin bireysel model tahminlerine katkıda bulunan nitel, numuneye özgü görselleştirmeleri sağladı, böylece derin öğrenme modelinin şeffaflığını ve yorumlanabilirliğini geliştirdi. Sonuç: Bulgular, VGGish-CNN'ye dayanan bir transfer-öğrenme yaklaşımının, bu pilot veri kümesi içinde PD ve CG'li katılımcılardan ses kayıtlarını ayırt etmede umut verici kayıt seviyesi sınıflandırma performansı elde edebileceğini göstermektedir. Dahası, XAI teknikleri modelin karar verme sürecine niteliksel bir bakış açısı sağlar. Bu ön bulgular, katılımcı düzeyinde ve dış doğrulama kullanılarak daha büyük kohortlarda PD taraması için ses tabanlı yaklaşımların daha fazla araştırılmasını desteklemektedir.
Özgün kaynak özetini okuyun
Introduction: Voice-based digital biomarkers have emerged as a promising, non-invasive approach for the early detection and monitoring of neurodegenerative disorders, particularly Parkinson's disease (PD). Although voice recordings can be acquired easily using mobile health technologies, their integration into routine clinical practice remains limited due to challenges related to model interpretability and clinical validation. This study aimed to investigate the diagnostic potential of voice recordings acquired through the TALIA smartphone and web-based platform and to improve model transparency using explainable artificial intelligence (XAI) techniques. Methods: Voice recordings from participants with PD and control group (CG) were acquired over a six-month period using the TALIA digital-health platform at Vito Fazzi Hospital in Lecce, Italy. The data were evaluated cross-sectionally at the recording level. Sustained vowel (/a/) phonations were preprocessed and transformed into spectrogram images. A transfer-learning framework based on the pre-trained VGGish convolutional neural network (VGGish-CNN) was developed to classify PD and CG voice recordings. To enhance interpretability, explainable artificial intelligence (XAI) methods, including Local Interpretable Model-Agnostic Explanations (LIME) and Occlusion Sensitivity, were integrated to identify the spectro-temporal regions contributing most strongly to model predictions. Results: The proposed VGGish-CNN framework demonstrated excellent classification performance in distinguishing PD from CG. The model achieved an accuracy of 0.93, precision of 0.91, recall of 0.95, F1-score of 0.93, loss of 0.16, and an area under the receiver operating characteristic curve (AUC) of 0.987. XAI analyses provided qualitative, sample-specific visualizations of the spectro-temporal regions contributing to individual model predictions, thereby improving the transparency and interpretability of the deep-learning model. Conclusions: The findings demonstrate that a transfer-learning approach based on VGGish-CNN could achieve promising recording-level classification performance in distinguishing voice recordings from participants with PD and CG within this pilot dataset. Furthermore, XAI techniques provide qualitative insight into the model's decision-making process. These preliminary findings support further investigation of voice-based approaches for PD screening in larger cohorts using participant-level and external validation.
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.