Predicting Parkinson’s disease evolution using deep learning

要約

パーキンソン病は、世界人口のほぼ 1% が罹患している神経疾患です。
この病気はドーパミン産生の低下によって現れ、症状は認知的および行動的なものであり、病気の進行に伴って発生する可能性のある広範囲の性格変化、抑うつ障害、記憶障害、情緒調節不全などが含まれます。
認知機能と運動機能の低下を遅らせるために適切な治療アプローチを適用するには、病気の早期診断と正確な病期分類が不可欠です。
現在、パーキンソン病を診断するために利用できる単一の血液検査やバイオマーカーはありません。
磁気共鳴画像法は、PD と他の神経学的状態を診断し区別するために過去 30 年間使用されてきました。
しかし、近年、新たな可能性が生まれています。初期段階でのPDの鑑別診断の精度と精度を高めるために、いくつかのAIアルゴリズムが開発されました。
私たちの知る限り、進行段階を特定するように設計された AI ツールはありません。
この文書は、このギャップを埋めることを目的としています。
患者の MRI と疾患段階の指標を報告する「パーキンソン病進行マーカー イニシアティブ」データセットを使用して、進行レベルを特定するモデルを開発しました。
画像と関連スコアは、さまざまな深層学習モデルのトレーニングと評価に使用されました。
私たちの分析では、標準スケール (Hoehn および Yah スケール) に基づいて 4 つの異なる疾患進行レベルを区別しました。
最終的なアーキテクチャは 3DCNN ネットワークのカスケードで構成され、データ間の時間依存性をモデル化することを目的として、後続の LSTM レイヤーの効率的なトレーニングのために RMI の空間特性を削減および抽出するために採用されています。
私たちの結果は、提案された 3DCNN + LSTM モデルが 91.90\% の要素を 4 つのクラスのマクロ平均 OVR AUC として分類することにより、最先端の結果を達成していることを示しています。

要約(オリジナル)

Parkinson’s disease is a neurological condition that occurs in nearly 1% of the world’s population. The disease is manifested by a drop in dopamine production, symptoms are cognitive and behavioural and include a wide range of personality changes, depressive disorders, memory problems, and emotional dysregulation, which can occur as the disease progresses. Early diagnosis and accurate staging of the disease are essential to apply the appropriate therapeutic approaches to slow cognitive and motor decline. Currently, there is not a single blood test or biomarker available to diagnose Parkinson’s disease. Magnetic resonance imaging has been used for the past three decades to diagnose and distinguish between PD and other neurological conditions. However, in recent years new possibilities have arisen: several AI algorithms have been developed to increase the precision and accuracy of differential diagnosis of PD at an early stage. To our knowledge, no AI tools have been designed to identify the stage of progression. This paper aims to fill this gap. Using the ‘Parkinson’s Progression Markers Initiative’ dataset, which reports the patient’s MRI and an indication of the disease stage, we developed a model to identify the level of progression. The images and the associated scores were used for training and assessing different deep-learning models. Our analysis distinguished four distinct disease progression levels based on a standard scale (Hoehn and Yah scale). The final architecture consists of the cascading of a 3DCNN network, adopted to reduce and extract the spatial characteristics of the RMI for efficient training of the successive LSTM layers, aiming at modelling the temporal dependencies among the data. Our results show that the proposed 3DCNN + LSTM model achieves state-of-the-art results by classifying the elements with 91.90\% as macro averaged OVR AUC on four classes

arxiv情報

提供元, 利用サービス

arxiv.jp, Google