基于深度异常方案的数字眼注视生物标志物用于帕金森病分类

眼动计量改变构成了检测和表征帕金森病（Parkinson's disease, PD）的有前景生物标志物。目前，仅使用全球和简化的眼动轨迹来近似估计眼动功能的复杂和隐藏的运动学关系。近期在机器学习和视频分析方面的进展鼓励了对眼动模式的新型表征，以量化 PD。这些方案使能够识别主要与 PD 相关的时空片段。然而，它们依赖于需要大量训练数据集并依赖平衡类别分布的判别模型。本文引入了一种新颖的视频分析方案，用于基于异常检测框架对帕金森病眼注视模式进行量化。与经典深度判别方案不同，所提出的方法聚焦于单类学习，避免了需要大量数据的要求。该方法仅关注帕金森病的表征，将其他任何类别的样本视为分布的异常。该方法在眼注视任务上进行评估，共有 13 名对照组和 13 名不同阶段病人的受试者。提出的数字生物标志物实现了 0.97 的平均灵敏度和 0.63 的特异度，AUC-ROC 为 0.95。统计检验显示预测类别之间存在显著差异（p < 0.05），证明了对病人和对照组的区分能力。