PULSAR: Graph based Positive Unlabeled Learning with Multi Stream Adaptive Convolutions for Parkinson’s Disease Recognition

要約

パーキンソン病 (PD) は、運動、言語、調整に影響を与える神経変性疾患です。
タイムリーな診断と治療は、PD 患者の生活の質を向上させることができます。
しかし、低中所得国（LMIC）では臨床診断へのアクセスが限られています。
したがって、PD の自動スクリーニング ツールの開発は、特に公衆衛生分野において大きな社会的影響を与える可能性があります。
この論文では、運動障害協会 – 統一パーキンソン病評価スケール (MDS-UPDRS) の指タッピング課題のウェブカメラ録画ビデオから PD をスクリーニングする新しい方法 PULSAR を紹介します。
PULSAR は、382 人の参加者 (183 人は PD 患者として自己申告) から収集されたデータに基づいてトレーニングされ、評価されています。
適応グラフ畳み込みニューラル ネットワークを使用して、指タッピング タスクに特有の時空間グラフ エッジを動的に学習しました。
私たちはこのアイデアをマルチストリーム適応畳み込みモデルで強化し、指の関節の相対位置、タッピングの速度と加速度など、PD の検出に重要なデータのさまざまなモダリティから特徴を学習しました。
ビデオのラベルは自己申告であるため、PD ラベルが付けられていないサンプルには診断されていない PD のケースが存在する可能性があります。
私たちは、ラベル付きのネガティブ データを必要としない Positive Unlabeled (PU) Learning のアイデアを活用しました。
私たちの実験は、この方法で問題をモデル化することの明らかな利点を示しています。
PULSAR は、限られた量のデータでトレーニングされたにもかかわらず、検証セットで 80.95% の精度を達成し、独立したテストで 71.29% (標準偏差 2.49%) の平均精度を達成しました。
医療分野ではラベル付きデータが不足しているため、これは特に有望です。
PULSAR により、PD スクリーニングが誰にとってもよりアクセスしやすくなることを願っています。
提案された技術は、運動失調やハンチントン病などの他の運動障害の評価にも拡張できる可能性があります。

要約(オリジナル)

Parkinson’s disease (PD) is a neuro-degenerative disorder that affects movement, speech, and coordination. Timely diagnosis and treatment can improve the quality of life for PD patients. However, access to clinical diagnosis is limited in low and middle income countries (LMICs). Therefore, development of automated screening tools for PD can have a huge social impact, particularly in the public health sector. In this paper, we present PULSAR, a novel method to screen for PD from webcam-recorded videos of the finger-tapping task from the Movement Disorder Society – Unified Parkinson’s Disease Rating Scale (MDS-UPDRS). PULSAR is trained and evaluated on data collected from 382 participants (183 self-reported as PD patients). We used an adaptive graph convolutional neural network to dynamically learn the spatio temporal graph edges specific to the finger-tapping task. We enhanced this idea with a multi stream adaptive convolution model to learn features from different modalities of data critical to detect PD, such as relative location of the finger joints, velocity and acceleration of tapping. As the labels of the videos are self-reported, there could be cases of undiagnosed PD in the non-PD labeled samples. We leveraged the idea of Positive Unlabeled (PU) Learning that does not need labeled negative data. Our experiments show clear benefit of modeling the problem in this way. PULSAR achieved 80.95% accuracy in validation set and a mean accuracy of 71.29% (2.49% standard deviation) in independent test, despite being trained with limited amount of data. This is specially promising as labeled data is scarce in health care sector. We hope PULSAR will make PD screening more accessible to everyone. The proposed techniques could be extended for assessment of other movement disorders, such as ataxia, and Huntington’s disease.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google