Enhanced Early Parkinson’s Classification: A Transfer Learning Approach Using Augmented Hand Drawing Records

Araştırma özeti

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

Özet Parkinson hastalığı (PD), bazal gangliyondaki hasar nedeniyle motor kontrolü etkileyen, nöronların yaklaşık %60'ının ölümüne ve dopaminde önemli bir düşüşe yol açan bir beyin bozukluğudur. Bu, titreme gibi motor bozukluklara neden olur ve hastalık ilerledikçe hareketi ve iletişimi zorlaştırır. Mikrografi, küçük veya atipik el yazısı, erken bir işaret olabilir ve erken tanıyı ele almak için, bu çalışma yeni bir Makine Öğrenimi (ML) yaklaşımını tanıtır. Önerilen iş akışı, derinlik, genişlik ve çözünürlüğü optimize etmek için ağ metrikleri arasında öğrenme eğrisi analizini kullanan EfficientNetB0 modeli ile aktarım öğrenmesini kullanır. Deneysel sonuçlar, bu yöntemin yüksek metrikli erken PD'yi,% 98.77 doğruluk,% 99.07 hassasiyet,% 99 ROC,% 96.94 F1 puanı ve% 98.47 geri çağırma ve özgüllükle etkili bir şekilde tahmin ettiğini göstermektedir. Bu geliştirilmiş performans, EfficientNetB0 modelinin mimarisinin daha az parametre ve FLOPS'a sahip olması, MBConv bloklarını, derinlik açısından ayrılabilir konvolüsyonları ve ReLU aktivasyonunu kullanması nedeniyledir. Çalışma, PD ile ilgili motor bozukluklarını analiz etmek için orijinal ve artırılmış spiral ve dalga çizimlerinden oluşan bir veri seti kullanıyor. Bu EfficientB0 tabanlı yaklaşımın yüksek tahmin doğruluğu, PD'yi daha iyi anlamak ve tedavi etmek için benzer özelliklere sahip hastaları gruplamak için hayati önem taşıyan erken evre sınıflandırmasını sağlar.

Özgün kaynak özetini okuyun

Abstract Parkinson's disease (PD) is a brain disorder affecting motor control due to damage in the basal ganglia, leading to the death of about 60% of neurons and a significant drop in dopamine. This results in motor impairments like tremors and makes movement and communication harder as the illness advances. Micrographia, small or atypical handwriting, can be an early sign and to address early diagnosis, this study introduces a novel Machine Learning (ML) approach. The proposed workflow uses transfer learning with the EfficientNetB0 model, employing learning curve analysis across network metrics to optimize depth, width, and resolution. Experimental results show this method effectively predicts early PD with high metrics, 98.77% accuracy, 99.07% precision, 99% ROC, 96.94% F1 score, and 98.47% recall and specificity. This enhanced performance is due to the EfficientNetB0 model's architecture having fewer parameters and FLOPS, utilizes MBConv blocks, depth-wise separable convolutions, and ReLU activation. The study uses a dataset of original and augmented spiral and wave drawings to analyze PD-related motor impairments. The high prediction accuracy of this EfficientB0-based approach enables early-stage classification, which is vital for grouping patients with similar traits to better understand and treat PD.

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.