ТОМ 29, БРОЈ 3 • СЕПТЕМВРИ 2025.
Алгоритам за вештачка интелигенција базиран на длабоко учење за класификација на потреси од рачно нацртани спирали
Во оваа студија, развивме и валидиравме алгоритам за вештачка интелигенција базиран на длабинско учење (DL), способен за класификација на вообичаени синдроми на тремор користејќи спирални слики од рачно нацртано пенкало на хартија. И покрај напредокот во неврофизиологијата и технологиите за носење, дијагнозата на синдромите на тремор останува првенствено клиничка и субјективна, честопати без објективни биомаркери. Целта ни беше да го надминеме овој јаз со дизајнирање на скалабилна, неинвазивна дијагностичка алатка заснована на компјутерски вид и вештачка интелигенција.
Проспективно регрутиравме 521 учесник, вклучувајќи пациенти со дистоничен тремор (DT), есенцијален тремор (ET), есенцијален тремор плус (ETP), Паркинсонова болест (PD), церебеларна атаксија (AT) и здрави волонтери (HV), од Институтот за медицински науки на Индија (AIIMS) во Њу Делхи. Учесниците обезбедија вкупно 2,078 спирални цртежи, кои беа дигитализирани и искористени за обука на DL класификатор базиран на архитектурата InceptionResNetV2 со преносно учење, имплементирано преку секвенцијален модел на Керас. За подобрување на генерализацијата и ублажување на нерамнотежата во класите, беа употребени ригорозно зголемување на податоците, стратифицирано земање примероци и прекумерно земање примероци.
Моделот постигна почетна точност на повеќекласна класификација од 81% во развојната кохорта, со особено високи перформанси во идентификувањето на Паркинсонова болест, атеросклероза и хеморагична вирусна инфекција. За да се справиме со загриженоста поврзана со протекување на податоци и дигитално отпечатување на прсти, го реструктуиравме множеството податоци и го редизајниравме моделот користејќи групирање на ниво на пациент. Редизајнираниот модел постигна робусна точност од 70%.
За надворешна валидација, го тестиравме моделот на независна кохорта од 1,535 спирални цртежи, каде што задржа точност од 59–61%, надминувајќи ги обучените човечки оценувачи (просечна точност: 46%) од кои беше побарано да ги класифицираат спиралите без клинички контекст. Имено, моделот покажа супериорна меѓукатегорична дискриминација и поголема сигурност од експертските визуелни проценки, особено за Паркинсонова болест и хипертензија.
Нашите наоди потврдуваат дека рачно нацртаните спирали - лесно распоредлива клиничка алатка - содржат богати, квантификувани карактеристики што можат да се искористат од DL моделите за дијагностичка класификација. Ограничувањата на моделот во класификацијата на ET и ETP го нагласуваат фенотипското преклопување помеѓу овие категории, усогласувајќи се со новите докази што ја доведуваат во прашање нивната биолошка различност. Студијата, исто така, ја истакнува вредноста на надворешната валидација во обезбедувањето применливост во реалниот свет.
Оваа работа претставува една од најголемите студии базирани на вештачка интелигенција за класификација на тремор со употреба на спирали од пенкало и хартија и ја демонстрира изводливоста на користењето на DL за точна, објективна и скалабилна дијагностика на тремор. Нашиот пристап ветува интеграција во работните процеси на телемедицина, епидемиолошкиот скрининг и системите за поддршка на клинички одлуки со помош на вештачка интелигенција.
Прочитај повеќе Движење напред: