使用深度学习预测帕金森病进展

帕金森病是一种神经系统疾病，影响全球近1%的人口。该疾病表现为多巴胺生成减少，症状包括认知和行为方面，以及随着疾病进展可能出现的一系列人格改变、抑郁障碍、记忆问题和情绪失调。早期诊断和准确分期对于采取适当的治疗方法以减缓认知和运动衰退至关重要。目前，没有单一的血液检测或生物标志物可用于诊断帕金森病。过去三十年，磁共振成像已被用于诊断和区分帕金森病与其他神经系统疾病。然而，近年来出现了新的可能性：已经开发了几种人工智能算法来提高帕金森病早期鉴别诊断的精度和准确性。据我们所知，还没有人工智能工具被设计用于识别进展阶段。本文旨在填补这一空白。使用“帕金森病进展标志物倡议”数据集，该数据集报告患者的MRI和疾病阶段指示，我们开发了一个模型来识别进展水平。图像和相关评分用于训练和评估不同的深度学习模型。我们的分析基于标准量表（Hoehn和Yahr量表）区分了四个不同的疾病进展水平。最终架构由3DCNN网络级联而成，该网络用于减少和提取MRI的空间特征，以便有效训练后续的LSTM层，旨在对数据中的时间依赖性进行建模。我们的结果表明，所提出的3DCNN+LSTM模型通过将元素分类为四类上的宏平均OVR AUC 91.90%，达到了最先进的结果。