一种利用非接触式多模态检测与人工智能技术的高效早期帕金森病检测模型

《npj Parkinson's Disease》：A highly efficient detection model for early-stage Parkinson’s disease using non-contact, multi-modality measurement and artificial intelligence

　　

摘要

由于早期帕金森病的各种运动症状难以识别，因此其早期诊断颇具挑战性。我们旨在通过一种最优模态选择策略，开发并验证一种高效用于早期帕金森病检测的模型。151名未服药的早期帕金森病患者和138名对照组按5:1的比例被分为训练组和验证组。通过非接触式的多模态检测流程，利用深度学习算法，从11项运动任务中收集了所有参与者的186个特征，这些特征包括眼球快速移动、面部表情、手脚动作、步态以及声音。在训练组中，通过组间比较对每种模态的特征进行筛选，再通过Shapley加性解释分析、单模态模型的分类性能评估以及稳定性测试来选择最优模态。最终，眼球快速移动、阅读时的面部表情以及步态被确定为最优模态，共包含39个特征。使用多层感知器构建的整合了这三种最优模态的模型，在训练组（AUC值：0.87对比0.89）和验证组（AUC值：0.84对比0.88）中都展现了与使用11种模态共78个特征的模型相当的最佳分类性能。综上所述，整合眼球快速移动、阅读时的面部表情以及步态相关的特征，能够有效检测出早期帕金森病患者。