NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı, erken ve güvenilir tespitin zamanında klinik yönetim, hasta izleme ve terapi planlaması için gerekli olduğu ilerici bir nörodejeneratif bozukluktur. Moleküler ve genetik çalışmalar Parkinson hastalığı patofizyolojisinin daha iyi anlaşılmasına rağmen, erişilebilir biyomedikal biyobelirteçleri kullanarak tanıyı destekleyebilecek invazif olmayan, yorumlanabilir ve klinik olarak güvenilir tahmin araçlarına artan bir ihtiyaç vardır. Bu çalışma, Parkinson hastalığı tespiti için iki tamamlayıcı biyomedikal ses ve akustik özellik veri seti kullanılarak kalibre edilmiş ve açıklanabilir bir hibrit topluluk çerçevesi önermektedir. Önerilen boru hattı, veri kümesine özgü ön işleme, doğrusal olmayan özellik mühendisliği, hibrit özellik seçimi, geleneksel Makine Öğrenimi (ML), Derin Öğrenme (DL) ve meta istifleme, hibrit ağırlıklı füzyon ve kademeli Karar Ağacı (DT) dahil olmak üzere üç topluluk stratejisini birleştirir. Klinik güvenilirliği artırmak için, çerçeve Optuna aracılığıyla Bayesian hiperparametre optimizasyonu, eşik optimizasyonu, istatistiksel önem testi, bootstrap güven tahmini, olasılık kalibrasyonu ve SHAP, LIME ve permütasyon önemi gibi diğer eXplainable Yapay Zeka (XAI) yöntemlerini içerir. Tanısal performansın heterojen bir veri kümesinde iyi olduğu gözlemlenir ve deneyde gösterilir. Hybrid Ensemble modeli, Dataset 1 için 0.9924 AUC ve 0.9976 AUPRC'ye ve Cascaded DL modeli için en yüksek doğruluk ve F1-score'a sahipti. Önerilen çerçeve, Dataset 2'deki farklı akustik özellik dağılımlarına göre rekabetçi genelleme performansı gösterdi. Açıklanabilirlik analizi ayrıca Parkinson Hastalığı (PD) tahmininin göstergesi olan klinik olarak ilgili vokal ve akustik özellikleri de tanımlar. Sonuçlar hep birlikte, kalibre edilmiş ve yorumlanabilir AI modelleri ile birleştirilen non-invaziv ses biyobelirteçlerinin potansiyelini, tarama, erken tahmin ve PD için gelecekteki kişiselleştirilmiş izleme stratejilerinde yararlı karar destek kanıtı olarak vurgulamaktadır.
Özgün kaynak özetini okuyun
Parkinson’s disease is a progressive neurodegenerative disorder in which early and reliable detection remains essential for timely clinical management, patient monitoring, and therapy planning. Although molecular and genetic studies have improved understanding of Parkinson’s disease pathophysiology, there is also a growing need for non-invasive, interpretable, and clinically reliable predictive tools that can support diagnosis using accessible biomedical biomarkers. This study proposes a calibrated and explainable hybrid ensemble framework for Parkinson’s disease detection using two complementary biomedical voice and acoustic feature datasets. The proposed pipeline integrates dataset-specific preprocessing, nonlinear feature engineering, hybrid feature selection, conventional Machine Learning (ML), Deep Learning (DL), and three ensemble strategies, including meta-stacking, hybrid weighted fusion, and cascaded Decision Tree (DT). To enhance clinical reliability, the framework includes Bayesian hyperparameter optimization via Optuna, threshold optimization, statistical significance testing, bootstrap confidence estimation, probability calibration, and other eXplainable Artificial Intelligence (XAI) methods such as SHAP, LIME and permutation importance. The diagnostic performance is observed to be good in a heterogeneous dataset and is demonstrated in the experiment. The Hybrid Ensemble model had an AUC of 0.9924 and an AUPRC of 0.9976 for Dataset 1, and the highest accuracy and F1-score for the Cascaded DL model. The proposed framework showed competitive generalization performance with respect to different acoustic feature distributions on Dataset 2. The explainability analysis also identifies clinically relevant vocal and acoustic features indicative of Parkinson’s Disease (PD) prediction. Altogether, the results highlight the potential of non-invasive voice biomarkers combined with calibrated and interpretable AI models as useful decision-support evidence in screening, early prediction, and future personalized monitoring strategies for 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.