通过机器学习技术,使用临床特征,声音特征和运动检查等数据,实现对帕金森病的早期检测,并取得了 100%针对 PD 和 RBD 患者的准确分类率,以及对 PD 和 HC 个体的 92%准确分类率。
Oct, 2023
本研究旨在利用可穿戴系统,通过机器学习算法分析帕金森症早期症状,挖掘相关生物标志物进行症状监测和早期预测,结果表明通过该方法可获得 91.9% 的预测准确度。
Apr, 2023
该论文提出了一种基于深度学习技术的方法,通过语音分析及回归技术能够判断一个人是否患有严重的帕金森症,并预测病情的程度,取得了非常有前景的效果。
Feb, 2024
该研究使用 “帕金森病进展标志倡议” 数据集,开发了一个 3DCNN + LSTM 模型,通过分析磁共振成像数据来识别帕金森病的进展阶段,并取得了具有最先进结果的 91.90%的分类准确率。
Dec, 2023
研究对帕金森病的神经影像学生物标志物进行复制和复现,使用人口统计、临床和神经影像特征(从静息态功能磁共振成像中提取的 fALFF 和 ReHo)预测个体的帕金森病现状和进展,结果表明在与原始研究最接近的分析流程下与该研究一致地取得了显著优于随机的表现,通过复制和复现过程中的挑战提出了推进未来类似研究再现性的建议。
该研究探索了派金森病患者声音特征变化作为早期疾病预测手段的潜力,使用多种先进的机器学习算法进行综合分析,结果表明 LightGBM 模型在准确率、AUC,敏感度和特异度等指标上表现出色,强调了结合声音生物标志物和先进机器学习技术对于精确及时检测派金森病的重要性。
Nov, 2023
提出了一种层次时间序列模型,该模型可发现多种疾病进展动态,可用于帕金森病患者的临床评估和处方药物,并在合成数据集和帕金森病的现实临床数据中得到了证明。
Jul, 2022
使用智能手机的长期数据来诊断帕金森病,研究表明,深度学习模型的表现显著优于传统方法,smartphone 数据可以作为未来可能用于帕金森病诊断的数字生物标志物。
Oct, 2018
该研究采用机器学习方法,通过使用低成本的步行器安装的传感器获取的运动学信号,从而准确分类 Parkinson 病的严重程度阶段,并提供了一种解决传感器健康评估中常见的小数据和嘈杂数据问题的方法。
Jun, 2020
通过分析人类脑电图信号,采用支持向量机分类模型,提出了一种创新的帕金森病诊断方法,该研究通过提高诊断准确性和可靠性增强了模型的性能。
Apr, 2024