[논문 리뷰] Machine learning for the diagnosis of Parkinson's disease: A systematic review

Jie Mei, Christian Desrosiers외 1명|arXiv (Cornell University)|2020. 10. 13.

Voice and Speech Disorders참고 문헌 185인용 수 4

한 줄 요약

이 체계적 리뷰는 209개의 연구에서 확보한 데이터를 바탕으로 파킨슨병 진단을 위한 기계학습 응용을 평가하며, 다양한 데이터 모odal리티와 기계학습 기법이 진단 정확도와 객관성을 향상시키는 것으로 밝혀졌다. 이 리뷰는 특히 음성, 보행, 뇌영상 데이터를 활용한 기계학습 모델이 파킨슨병의 조기 및 차별진단에 뚜렷한 향상을 이룬다는 점을 입증한다.

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.

연구 동기 및 목표

• 기계학습이 파킨슨병 진단 향상에 얼마나 효과적인지 평가하기.
• 파킨슨병 진단 연구에서 가장 흔히 사용되는 데이터 모달리티와 기계학습 방법을 특정하기.
• 기계학습 모델이 건강한 대조군과 다른 운동장애를 구분하는 데서 성능과 신뢰성 평가하기.
• 미세하거나 비운동성 증상으로 인한 조기 진단의 과제를 부각하고, 기계학습이 이를 해결할 잠재력을 제시하기.
• 기계학습 기반 파킨슨병 진단 분야의 현재 추세와 향후 방향에 대한 종합적 개요 제공하기.

제안 방법

• 2020년 2월 14일까지 PubMed 및 IEEE Xplore 데이터베이스를 활용해 체계적 문헌 리뷰를 수행함.
• 209개의 연구에서 데이터 원천, 유형, 기계학습 방법, 결과를 선별 및 추출함.
• 음성 녹음, 보행 분석, 뇌영상, 웨어러블 센서 등 데이터 모달리티 기반으로 연구를 분류함.
• 서포트 벡터 머신, 랜덤 포레스트, 딥 네트워크, 전통적 분류기 등 기계학습 기법 평가함.
• 모델 성능, 진단 정확도, 임상 적용 가능성 등 연구 간 통합된 결과 분석함.
• 객관적이고 데이터 기반의 생물학적 지표를 통해 임상 의사결정 지원 잠재력 평가함.

실험 결과

연구 질문

• RQ1 파킨슨병 진단을 위한 기계학습 모델에서 가장 흔히 사용되는 데이터 모달리티는 무엇인가?
• RQ2 다양한 기계학습 알고리즘이 건강한 대조군 또는 다른 운동장애와 구분하는 데 있어 파킨슨병을 어떻게 분류하는가?
• RQ3 기계학습 모델이 조기 단계 파킨슨병을 진단하는 데 있어 정확도는 어느 정도인가?
• RQ4 伝통적 방법에 비해 기계학습 기반 접근법이 임상 진단의 객관성을 어떻게 향상시키고 주관성을 줄이는가?
• RQ5 현재 연구 기반으로 기계학습을 파킨슨병 진단에 적용할 때의 주요 과제와 제약 사항은 무엇인가?

주요 결과

• 음성 분석이 가장 널리 사용된 데이터 모달리티로, 파킨슨병 환자와 대조군을 구분하는 데 높은 분류 정확도를 보였다.
• 웨어러블 센서를 활용한 보행 및 운동 분석은 조기 진단과 질병 진행 상황의 객관적 모니터링 잠재력이 높았다.
• 뇌영상 기반 기계학습 모델은 파킨슨병과 이형성 파킨슨증, 다른 파킨슨증 유형을 구분하는 데 중간에서 높은 정확도를 보였다.
• 특히 컨볼루션 신경망과 순환 신경망을 포함한 딥 러닝 모델이 음성 및 보행 신호와 같은 복잡한 데이터에서 뛰어난 성능을 보였다.
• 전반적으로 기계학습 기반 시스템은 미세한 운동성 및 비운동성 증상의 식별에서 진단의 주관성을 크게 감소시키고 신뢰성을 향상시켰다.
• 예를 들어 음성 + 보행 + 임상 점수 등의 다중 모달리티 데이터 통합은 단일 모달리티 접근법보다 더 높은 진단 정확도를 달성했다.