An experimental study for early diagnosing Parkinson’s disease using machine learning

要約

世界中で最も壊滅的な神経障害の 1 つはパーキンソン病です。
それに伴い、治療も複雑になり、高額な費用がかかります。
進行を制御する唯一の効果的な行動は、初期段階で診断することです。
しかし、早期発見には大規模で複雑な臨床研究が必要となるため、これは困難です。
この実験的研究では、機械学習技術を使用して、臨床的特徴、音声特徴、運動検査からパーキンソン病の早期検出を自動化しました。
この研究では、130 人の公開データセットを利用して ML モデルを開発します。そのうち 30 人は未治療のパーキンソン病患者、50 人はパーキンソン病にかかるリスクが高い急速眼球運動睡眠行動障害患者、そして 50 人はパーキンソン病に罹患するリスクが高いです。
健康管理者です。
MinMax Scaler を使用してデータ ポイントを再スケーリングし、Local Outlier Factor を使用して外れ値を除去し、SMOTE を使用して既存のクラス頻度のバランスをとります。
その後、さまざまな機械学習テクニックを適用します。
データ漏洩や過剰適合が不可能な方法でアプローチを実装します。
最終的に、PD および RBD 患者の分類では 100% の精度が得られ、PD および HC の個人の分類では 92% の精度が得られました。

要約(オリジナル)

One of the most catastrophic neurological disorders worldwide is Parkinson’s Disease. Along with it, the treatment is complicated and abundantly expensive. The only effective action to control the progression is diagnosing it in the early stage. However, this is challenging because early detection necessitates a large and complex clinical study. This experimental work used Machine Learning techniques to automate the early detection of Parkinson’s Disease from clinical characteristics, voice features and motor examination. In this study, we develop ML models utilizing a public dataset of 130 individuals, 30 of whom are untreated Parkinson’s Disease patients, 50 of whom are Rapid Eye Movement Sleep Behaviour Disorder patients who are at a greater risk of contracting Parkinson’s Disease, and 50 of whom are Healthy Controls. We use MinMax Scaler to rescale the data points, Local Outlier Factor to remove outliers, and SMOTE to balance existing class frequency. Afterwards, apply a number of Machine Learning techniques. We implement the approaches in such a way that data leaking and overfitting are not possible. Finally, obtained 100% accuracy in classifying PD and RBD patients, as well as 92% accuracy in classifying PD and HC individuals.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google