基于多模态融合与端到端Transformer的帕金森病精准诊断模型E2E-TM研究

本研究针对帕金森病（PD）早期诊断中机器学习方法存在数据集局限性与模型泛化能力不足的问题，提出了一种融合MRI与EEG信号的双向特征提取端到端Transformer模型（E2E-TM）。该模型通过多尺度主干卷积与双路注意力机制实现多模态特征降维与融合，最终在分类任务中展现出优越性能，为神经退行性疾病的智能诊断提供了新思路。

帕金森病（Parkinson’s Disease, PD）是一种进行性神经退行性疾病，以震颤、僵硬和运动功能减退为主要特征，其病理基础与大脑中多巴胺能神经元的退化密切相关。目前基于机器学习（ML）和深度学习（DL）的PD早期诊断方法仍面临数据集代表性不足、模型过拟合以及跨人群泛化能力有限等挑战。

为应对这些问题，研究人员开发了一种端到端Transformer模块E2E-TM，用于实现PD的精准诊断。该研究整合了磁共振成像（Magnetic Resonance Imaging, MRI）和脑电图（Electroencephalogram, EEG）两类数据。在预处理阶段，采用双边滤波器与小波分解进行噪声抑制，并利用Super U-Net对MRI图像执行分割与重建以降低数据复杂性。同时，基于多特征分析剔除EEG信号中的伪峰。

预处理后的多模态数据被输入至E2E-TM模型中。其编码器模块（Transformer Encoder Module, TEM）集成了一种带奖惩策略的多尺度主干卷积（Multi-Scale Trunk Convolution, Multi-TC）结构，以并行方式进行特征提取。随后通过双路主干卷积模块（Dual-Way Trunk Convolution, DW-TC）将特征映射至对应特征点，并借助双并行注意力网络（Dual-Parallel Attention Network, DPANet）实现特征降维。最终，解码器模块（Transformer Decoder Module, TDM）对两类数据的特征进行解耦与解码，完成PD分类诊断。

实验结果表明，E2E-TM模型在PD诊断任务中性能显著优于现有基线方法，展现出良好的应用潜力。