Canny边缘检测预处理对帕金森病机器学习分类模型性能的影响研究

本研究针对帕金森病(PD)早期诊断的临床需求，探讨了Canny边缘检测和Hessian滤波预处理对机器学习(ML)模型性能的影响。研究人员通过构建四个不同数据集(DS0、DS1、DS2和DS3)，评估了包括随机森林(RF)、XGBoost(XGB)等9种ML模型在螺旋绘图分析中的表现。研究发现Canny预处理会降低大多数模型性能，而轻量级模型如逻辑回归(LR)和决策树(DT)在资源受限设备上更具优势。该研究为PD诊断系统的优化部署提供了重要参考。

　　

帕金森病(PD)是一种常见的神经退行性疾病，全球患者超过1000万，仅美国每年就有6万新发病例。这种疾病主要影响运动功能，严重时还会损害认知能力。传统诊断依赖统一帕金森病评定量表(UPDRS)，但临床诊断准确性存在差异。近年来，基于手写和绘图分析的计算机辅助诊断方法备受关注，特别是螺旋绘图测试已成为评估PD运动症状的重要工具。然而，现有研究在特征选择透明度和计算资源需求方面存在明显不足，这限制了相关技术在临床实践和移动健康应用中的推广。

针对这些问题，格但斯克理工大学多媒体系统系的研究人员Sameer Bhat和Piotr Szczuko开展了一项创新研究，系统评估了不同预处理方法对PD分类模型性能的影响。研究发表在《Scientific Reports》期刊，通过分析螺旋绘图图像数据集，比较了Canny边缘检测预处理与常规方法在模型准确性、内存占用和预测延迟等方面的差异。研究采用了四种数据集构建策略：原始数据集DS₀、Canny处理数据集DS₁、数据增强数据集DS₂和增强Canny数据集DS₃。关键技术包括基于直方图梯度方向(HoG)的特征提取、Canny边缘检测算法结合Hessian矩阵的脊线检测，以及递归特征消除(RFE)的特征选择方法。研究评估了9种机器学习模型，采用10折分层交叉验证进行性能测试。

在"ML model training on DS₀和DS₂"部分，研究发现原始数据集DS₀的最佳特征集为[1,2,3]，而增强数据集DS₂需要[1,2,3,4,6]特征集才能达到相近准确率。校准曲线分析表明，大数据集能部分自动校准模型，但无法达到理想S形曲线。ROC分析显示，决策树(DT)和AdaBoost(AdB)在DS₀上表现最佳(AUC=0.92)，而随机森林(RF)、XGBoost(XGB)和支持向量机(SVM)在DS₂上达到最高AUC(0.97)。学习曲线显示，增强数据集使平均准确率提高3%至86%。

"Model confusion matrix"分析表明，在DS₀上，DT模型误分类最少，而KNN在DS₂上表现最优。偏差-方差分析揭示了不同特征组合下的权衡关系，其中KNN和XGB在DS₃上显示出较好的平衡。内存占用分析显示，RF保持稳定的61KB内存需求，而KNN和SVM在DS₂上内存需求显著增加(102-304KB)。预测时间方面，XGBoost在DS₂上的预测时间从180-200ms增至700-3000ms。

"ML model training on DS₁和DS₃"部分显示，Canny预处理数据集DS₁的最佳特征集为[0,1,4,9,10]。与原始数据集相比，所有模型在Canny处理数据上的性能都有所下降，AUC范围降至0.81-0.85。增强Canny数据集DS₃使RF、GB、XGB和SVM的AUC提升至0.89，但仍低于非Canny处理数据集的表现。内存分析显示，在Canny数据集上，SVM的内存需求从7KB激增至150-268KB。

统计验证采用Mann-Whitney U检验和Cliff's delta效应量分析。结果显示，除SVM与LR、XGB与NB外，大多数模型在DS₂和DS₃上的性能差异显著(p<1e-34)。效应量分析表明，DT、RF等模型在DS₂上明显优于DS₃(δ_C接近-1)。

这项研究得出了几个重要结论：首先，Canny边缘检测结合Hessian滤波的预处理方法会降低大多数机器学习模型的性能；其次，数据集扩增能提高模型准确性，但会增加内存占用和预测延迟；第三，轻量级模型如逻辑回归(LR)和决策树(DT)在资源受限环境下表现稳定，更适合边缘计算部署。研究的意义在于为PD诊断系统的开发提供了实用指导：在临床应用中，应根据可用计算资源在模型性能和效率之间进行权衡。对于移动健康等资源受限场景，建议采用LR或DT等轻量模型；而在计算资源充足的情况下，可选择RF或XGB等性能更优但资源需求较高的模型。该研究还强调了特征选择透明度和模型可解释性在医疗应用中的重要性，为未来PD诊断研究提供了有价值的参考框架。