[論文レビュー] Machine learning for the diagnosis of Parkinson's disease: A systematic review

Jie Mei, Christian Desrosiers+1 more|arXiv (Cornell University)|Oct 13, 2020

Voice and Speech Disorders参考文献 185被引用数 4

ひとこと要約

本システマティックレビューでは、209件の研究から得られたデータを用いて、パーキンソン病の診断における機械学習の応用を評価し、診断の正確性と客観性を向上させる多様なデータモダリティおよび機械学習手法を同定した。このレビューは、声、歩行、神経画像データを用いた機械学習モデルが、PDの早期診断および鑑別診断において顕著に向上することを示している。

ABSTRACT

Diagnosis of Parkinson's disease (PD) is commonly based on medical observations and assessment of clinical signs, including the characterization of a variety of motor symptoms. However, traditional diagnostic approaches may suffer from subjectivity as they rely on the evaluation of movements that are sometimes subtle to human eyes and therefore difficult to classify, leading to possible misclassification. In the meantime, early non-motor symptoms of PD may be mild and can be caused by many other conditions. Therefore, these symptoms are often overlooked, making diagnosis of PD at an early stage challenging. To address these difficulties and to refine the diagnosis and assessment procedures of PD, machine learning methods have been implemented for the classification of PD and healthy controls or patients with similar clinical presentations (e.g., movement disorders or other Parkinsonian syndromes). To provide a comprehensive overview of data modalities and machine learning methods that have been used in the diagnosis and differential diagnosis of PD, in this study, we conducted a systematic literature review of studies published until February 14, 2020, using the PubMed and IEEE Xplore databases. A total of 209 studies were included, extracted for relevant information and presented in this systematic review, with an investigation of their aims, sources of data, types of data, machine learning methods and associated outcomes. These studies demonstrate a high potential for adaptation of machine learning methods and novel biomarkers in clinical decision making, leading to increasingly systematic, informed diagnosis of PD.

研究の動機と目的

• 機械学習がパーキンソン病の診断を改善する効果を評価すること。
• PD診断研究において最も一般的に使用されているデータモダリティおよび機械学習手法を特定すること。
• PDと健常対照群、および他の運動障害とを区別する際の機械学習モデルの性能と信頼性を評価すること。
• 微細な症状や非運動症状による早期診断の課題を強調し、機械学習がこれらの課題に対処する可能性を示すこと。
• 機械学習を用いたPD診断分野における現在のトレンドと今後の方向性を包括的に概説すること。

提案手法

• 2020年2月14日までに、PubMedおよびIEEE Xploreデータベースを用いたシステマティックな文献レビューを実施した。
• 声の記録、歩行分析、神経画像、ウェアラブルセンサーなどのデータモダリティに基づいて、209件の研究からスクリーニングおよびデータ抽出を実施した。
• 声記録、歩行分析、神経画像、ウェアラブルセンサーなどのデータモダリティに基づいて研究を分類した。
• サポートベクターマシン、ランダムフォレスト、ディープニューラルネットワーク、従来の分類器を含む機械学習技術を評価した。
• 研究全体を通じてのモデル性能、診断正確性、臨床応用可能性を統合的に分析した。
• 客観的でデータ駆動型のバイオマーカーを提供することで、機械学習が臨床意思決定を支援する可能性を評価した。

実験結果

リサーチクエスチョン

• RQ1 パーキンソン病の診断に用いられる機械学習モデルにおいて、どのデータモダリティが最も頻繁に使用されているか？
• RQ2 異なる機械学習アルゴリズムは、PDと健常対照群、または他の運動障害とを分類する際に、どのように比較されるか？
• RQ3 機械学習モデルは、早期パーキンソン病を検出する際にどの程度の診断正確性を示すか？
• RQ4 従来の方法と比較して、機械学習ベースのアプローチは、臨床診断における客観性をどのように向上させ、主観性をどのように低減するか？
• RQ5 現在の研究に基づいて、パーキンソン病の診断に機械学習を適用する際の主な課題と制限は何であるか？

主な発見

• 声分析が最も広く使用されたデータモダリティであり、PD患者と対照群を区別する際の分類正確性が非常に高かった。
• ウェアラブルセンサーを用いた歩行および運動分析は、早期発見および疾患進行の客観的モニタリングの観点から強く有望な技術であった。
• 神経画像に基づく機械学習モデルは、PDと非典型パーキンソン症候群、および他のパーキンソン症候群を区別する際に中程度から高い正確性を示した。
• 特に畳み込みニューラルネットワークおよび再帰ニューラルネットワークを含むディープラーニングモデルは、音声や歩行信号のような複雑なデータにおいて優れた性能を発揮した。
• 全体として、機械学習ベースのシステムは、微細な運動症状および非運動症状の同定において、診断の主観性を顕著に低減し、信頼性を向上させた。
• 声＋歩行＋臨床スコアなどのマルチモーダルデータの統合は、単一モダリティアプローチよりも高い診断正確性を達成した。