NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığının zayıflatıcı bir semptomu olan yürüyüş (FOG) donması, alt tiplerde titreme, titreme veya akinezi olarak ortaya çıkar ve hastalar arasında meydana gelen olay ve frekans değişir. Derin öğrenme (DL) modelleri FOG tespitinde umut vaat ederken, alt tipler arasındaki sağlamlıkları ve genellemeleri, FOG / non-FOG sınıfları arasındaki ve alt tipler arasındaki veri kıtlığı ve dengesizliklerle sınırlıdır. Bunu ele almak için, DL modellerinin alt tipler arasında tutarlı bir şekilde performans göstermelerini sağlayan bir alt tip farkında FOG büyütme tekniğini öneriyoruz. Özellikle, görselleştirme, UMAP'lar ve gerçek sinyallere karşı maksimum ortalama gizlilik karşılaştırması ile doğrulandığı gibi gerçekçi ve çeşitli alt tip koşullu FOG benzeri ayak bileği ivmeleri üreten iki aşamalı bir model olan Hiyerarşik Koarsa'dan Fine'a şartlı Genel Adversary Network'ü (Hi-CF cGAN) tanıtıyoruz. Hem genel (subtype-stratified) hem de kişiselleştirilmiş (subtype-variant, hastaya özgü alt tip kompozisyona dayalı) Hi-CF cGAN aracılığıyla büyütme, klasik büyütmelere karşı kıyaslama ve taban çizgisi (artırma yok) ile CNN'leri FOG tespiti için eğiterek etkinliğini değerlendiriyoruz. Temel olarak, Hi-CF cGAN ile genel büyütme, FOG'nun ortalama tespit oranlarını, titreyen FOG'yu ve özellikle daha önce gözden kaçırılan küçük alt tipleri, FOG'yu (% 66.8'den % 81.6'ya) ve akinesia FOG'yu (% 58.7'den % 77.9'a) etkili bir şekilde iyileştirir. Bu iyileştirmeler, FOG / non-FOG ve alt tip dengesizliklerin ele alınmasında Hi-CF cGAN tarafından oluşturulan verilerin üstün gerçekçiliğini, zenginliğini ve uyarlanabilirliğini gösteren klasik büyütmelerden daha fazladır. Kişiselleştirilmiş büyütme, genel büyütmeye kıyasla hedeflenen alt tip (ler) üzerindeki doğruluğu daha da artırır ve özel model optimizasyonu potansiyelini vurgular.
Özgün kaynak özetini okuyun
Freezing of gait (FOG), a debilitating symptom of Parkinson’s disease, manifests in subtypes as shuffling, trembling, or akinesias, with occurrence and frequency varying across patients. While deep learning (DL) models show promise in FOG detection, their robustness and generalization across subtypes are limited by data scarcity and imbalances between FOG/non-FOG classes and among subtypes. To address this, we propose a subtype-aware FOG augmentation technique enabling training of DL models to perform consistently across subtypes. Specifically, we introduce Hierarchical Coarse-to-Fine conditional Generative Adversary Network (Hi-CF cGAN), a two-stage model that generates subtype-conditioned FOG-like ankle accelerations that are realistic and diverse, as verified through visualization, UMAPs, and Maximum Mean Discrepancy comparison against real signals. We evaluate its effectiveness by training CNNs for FOG detection with both general (subtype-stratified) and personalized (subtype-variant, based on patient-specific subtype composition) augmentation via Hi-CF cGAN, benchmarking against classical augmentations and baseline (no augmentation). Compared to baseline, general augmentation with Hi-CF cGAN effectively improves average detection rates of FOG, trembling FOG, and especially the previously overlooked minor subtypes, shuffling FOG (from 66.8% to 81.6%) and akinesia FOG (from 58.7% to 77.9%). These improvements exceed those of classical augmentations, demonstrating superior realism, richness, and adaptability of Hi-CF cGAN-generated data in addressing FOG/non-FOG and subtype imbalances. Personalized augmentation further enhances accuracy on targeted subtype(s) compared to general augmentation, highlighting its potential for tailored model optimization.
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.