基于临床量表与机器学习的帕金森病分期新方法及改进
应用统计
2018-05-30 v1
摘要
帕金森氏症（PD）的分期与严重程度是制定有效治疗决策的重要考量因素。尽管运动障碍学会统一帕金森病评定量表（MDS-UPDRS）提供了评估 PD 最相关特征的有效工具，但其不支持 PD 分期。另一方面，提供分期的 Hoehn 和 Yahr（HY）量表并未评估 PD 的许多相关特征。本文中，我们利用 MDS-UPDRS 特征与 HY 量表提出一种新颖且改进的 PD 分期方法，并开发预测模型，使用序数逻辑回归（OLR）、支持向量机（SVM）、基于 AdaBoost 与 RUSBoost 的分类器等机器学习技术来估计 PD 的分期（正常、早期或中度）与严重程度。此外，还使用随机森林估计了 PD 中的特征重要性。我们观察到 SVM、基于 Adaboost 的集成、随机森林与概率生成模型的预测表现良好，其中基于 AdaBoost 的集成准确率最高，达 97.46%。身体运动迟缓、震颤、面部表情（表情减少）、静止性震颤持续性与书写（小写症）被观察到是 PD 中最重要的特征。由此推断，MDS-UPDRS 结合分类器可构成预测 PD 分期的有效工具，辅助临床医生的诊断过程。
引用
@article{arxiv.1805.11524,
title = {Novel and Improved Stage Estimation in Parkinson's Disease using Clinical Scales and Machine Learning},
author = {R. Prashanth and Sumantra Dutta Roy},
journal= {arXiv preprint arXiv:1805.11524},
year = {2018}
}
备注
Article accepted in the Neurocomputing journal