DIEL 29, ÚTJefte 3 • SEPTEMBER 2025.
Djip learen-basearre keunstmjittige yntelliginsje-algoritme om tremors te klassifisearjen fan mei de hân tekene spiralen
Yn dizze stúdzje hawwe wy in op djip learen (DL) basearre keunstmjittige yntelliginsje-algoritme ûntwikkele en validearre dat by steat is om gewoane tremorsyndromen te klassifisearjen mei help fan mei de hân tekene spiraalôfbyldings mei pinne op papier. Nettsjinsteande foarútgong yn neurofysiology en draachbere technologyen, bliuwt de diagnoaze fan tremorsyndromen primêr klinysk en subjektyf, faak sûnder objektive biomarkers. Wy woene dizze gat oanpakke troch in skalberbere, net-invasive diagnostyk ark te ûntwerpen basearre op kompjûterfisy en keunstmjittige yntelliginsje.
Wy hawwe prospektyf 521 dielnimmers rekrutearre, ynklusyf pasjinten mei dystonyske tremor (DT), essensjele tremor (ET), essensjele tremor plus (ETP), de sykte fan Parkinson (PD), cerebellêre ataksie (AT), en sûne frijwilligers (HV), fan it All India Institute of Medical Sciences (AIIMS) yn Nij Delhi. Dielnimmers levere yn totaal 2,078 spiraaltekeningen, dy't digitalisearre waarden en brûkt waarden om in DL-klassifikator te trainen basearre op 'e InceptionResNetV2-arsjitektuer mei transferlearen, ymplementearre fia in Keras sekwinsjeel model. Strang gegevensfergrutting, stratifisearre sampling en oversampling waarden brûkt om generalisearberens te ferbetterjen en klasse-ûnbalâns te ferminderjen.
It model berikte in earste multiklasse-klassifikaasjenauwkeurigens fan 81% yn 'e ûntwikkelingskohort, mei benammen hege prestaasjes yn it identifisearjen fan PD, AT en HV. Om soargen oan te pakken yn ferbân mei datalekkage en digitale fingerprinting, hawwe wy de dataset herstrukturearre en it model opnij ûntwikkele mei groepering op pasjintnivo. It opnij ûntworpen model berikte in robuste nauwkeurigens fan 70%.
Foar eksterne falidaasje hawwe wy it model testen op in ûnôfhinklike kohort fan 1,535 spiraaltekeningen, dêr't it in krektens fan 59–61% behold, en better prestearre as oplate minsklike beoardielers (gemiddelde krektens: 46%) dy't frege waarden om spiralen te klassifisearjen sûnder klinyske kontekst. It is opmerklik dat it model superieure ûnderskieding tusken kategoryen en gruttere betrouberens sjen liet as fisuele beoardielingen troch saakkundigen, benammen foar PD en HV.
Us befiningen befêstigje dat mei de hân tekene spiralen - in maklik ynsetber klinysk ark - rike, kwantifisearbere funksjes befetsje dy't brûkt wurde kinne troch DL-modellen foar diagnostyske klassifikaasje. De beheiningen fan it model by it klassifisearjen fan ET en ETP ûnderstreekje de fenotypyske oerlap tusken dizze kategoryen, yn oerienstimming mei opkommend bewiis dat har biologyske ûnderskiedendheid yn fraach stelt. De stúdzje beklammet ek de wearde fan eksterne falidaasje by it garandearjen fan tapassing yn 'e praktyk.
Dit wurk fertsjintwurdiget ien fan 'e grutste op KI basearre stúdzjes yn tremorklassifikaasje mei pinne-en-papierspiralen en demonstrearret de mooglikheid fan it brûken fan DL foar krekte, objektive en skalbere tremordiagnostyk. Us oanpak is beloftefol foar yntegraasje yn telemedisynworkflows, epidemiologyske screening en KI-assistearre klinyske beslútstipesystemen.
Lês mear oer it bewegen :