[논문 리뷰] Attention-Based Deep Learning for Early Parkinson's Disease Detection with Tabular Biomedical Data

Olamide Samuel Oseni, Ibraheem Omotolani Obanla외 1명|arXiv (Cornell University)|2026. 02. 08.

Voice and Speech Disorders인용 수 0

한 줄 요약

SAINT, 주의력 기반 트랜스포머, UCI 표 형식 음성 데이터에서 조기 파킨슨병 탐지에서 MLP, TabNet, Gradient Boosting을 능가하여 가중 정밀도, 재현율, F1, MCC, AUC-ROC에서 최고를 달성한다.

ABSTRACT

Early and accurate detection of Parkinson's disease (PD) remains a critical challenge in medical diagnostics due to the subtlety of early-stage symptoms and the complex, non-linear relationships inherent in biomedical data. Traditional machine learning (ML) models, though widely applied to PD detection, often rely on extensive feature engineering and struggle to capture complex feature interactions. This study investigates the effectiveness of attention-based deep learning models for early PD detection using tabular biomedical data. We present a comparative evaluation of four classification models: Multi-Layer Perceptron (MLP), Gradient Boosting, TabNet, and SAINT, using a benchmark dataset from the UCI Machine Learning Repository consisting of biomedical voice measurements from PD patients and healthy controls. Experimental results show that SAINT consistently outperformed all baseline models across multiple evaluation metrics, achieving a weighted precision of 0.98, weighted recall of 0.97, weighted F1-score of 0.97, a Matthews Correlation Coefficient (MCC) of 0.9990, and the highest Area Under the ROC Curve (AUC-ROC). TabNet and MLP demonstrated competitive performance, while Gradient Boosting yielded the lowest overall scores. The superior performance of SAINT is attributed to its dual attention mechanism, which effectively models feature interactions within and across samples. These findings demonstrate the diagnostic potential of attention-based deep learning architectures for early Parkinson's disease detection and highlight the importance of dynamic feature representation in clinical prediction tasks.

연구 동기 및 목표

• 표 형식 생물 의학 데이터를 사용한 조기 파킨슨병 탐지를 위한 주의 기반 딥러닝 모델의 동기 부여와 평가.
• 성능 향상 효과를 평가하기 위해 SAINT를 기존 모델(MLP, TabNet, Gradient Boosting)과 비교.
• 임상 예측 과제에서 동적 특성 표현의 가능성을 입증.

제안 방법

• UCI Parkinson's Telemonitoring 데이터셋에서 실증적으로 네 가지 분류기를 비교: MLP, Gradient Boosting, TabNet, SAINT.
• 주의 기반 특성 가중치 부여와 교차 엔트로피 손실을 갖는 TabNet 구현.
• 특성 상호작용 모델링을 위한 intra-sample 및 inter-sample 주의가 포함된 SAINT 구현.
• 80/20 훈련/테스트 분할(랜덤 시드 42)에서 가중 정밀도, 재현율, F1-점수, MCC, 및 AUC-ROC를 사용하여 평가.
• 입력 특징의 SAINT 임베딩과 임베딩 위의 주의 기반 점수 α_ij를 설명하고, 이진 분류를 위한 시그모이드 출력으로 이어진다.

Figure 1 : Proposed PD early detection modelling framework

실험 결과

연구 질문

• RQ1 주의 기반 딥러닝 모델(예: SAINT)이 표 형식 생물의료 데이터에서 조기 PD 탐지를 전통적 ML 및 다른 DL 모델과 비교하여 개선할 수 있는가?
• RQ2 intra-sample 및 inter-sample 주의 메커니즘이 PD 탐지를 위한 특징 상호작용의 모델링을 향상시키는가?
• RQ3 SAINT, TabNet, MLP, Gradient Boosting의 Parkinson’s Telemonitoring 데이터셋에서 가중 정밀도, 재현율, F1-점수, MCC, 및 AUC-ROC 측면의 순위는 어떻게 되는가?

주요 결과

• SAINT는 가중 정밀도 0.98, 가중 재현율 0.97로 가장 높게 달성했다.
• SAINT는 가중 F1-점수 0.97로 최고치를 달성했다.
• SAINT는 MCC 0.9990를 달성하고 모델 중 가장 높은 AUC-ROC를 기록했다.
• TabNet은 가중 정밀도 0.96, 재현율 0.95, F1 0.95, MCC 0.9990로 그 뒤를 이었다.
• MLP는 가중 정밀도 0.95, 재현율 0.95, F1 0.95, MCC 0.9995를 보고했다.
• Gradient Boosting은 가중 정밀도 0.90, 재현율 0.90, F1 0.90, MCC 0.7310로 가장 낮은 성능을 보였다.

(a) Distribution of features with respect to status (PD or No PD).