[论文解读] Attention-Based Deep Learning for Early Parkinson's Disease Detection with Tabular Biomedical Data

Olamide Samuel Oseni, Ibraheem Omotolani Obanla+1 more|arXiv (Cornell University)|Feb 8, 2026

Voice and Speech Disorders被引用 0

一句话总结

SAINT，一种基于注意力的 Transformer，在 UCI 表格语音数据的早期帕金森病检测中优于 MLP、TabNet 和梯度提升，达到加权精度、召回率、F1、MCC 和 AUC-ROC 的领先水平。

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.

研究动机与目标

• 通过表格生物医学数据来激发并评估基于注意力的深度学习模型在早期帕金森病检测中的应用。
• 将 SAINT 与成熟模型（MLP、TabNet、Gradient Boosting）进行比较，以评估性能提升。
• 展示动态特征表示在临床预测任务中的潜力。

提出的方法

• 在 UCI Parkinson's Telemonitoring 数据集上对四个分类器进行经验比较：MLP、Gradient Boosting、TabNet、SAINT。
• 实现带注意力加权特征和交叉熵损失的 TabNet。
• 实现具备样本内与样本间注意力的 SAINT，以建模特征交互。
• 在 80/20 的训练/测试分割（随机状态 42）下，使用加权精度、召回、F1、MCC 和 AUC-ROC 进行评估。
• 描述 SAINT 对输入特征的嵌入以及对嵌入的注意力得分 α_ij，随后对二分类输出使用 sigmoid。

Figure 1 : Proposed PD early detection modelling framework

实验结果

研究问题

• RQ1 像 SAINT 这样的基于注意力的深度学习模型，是否能在基于表格生物医学数据的早期 PD 检测中优于传统 ML 以及其他 DL 模型？
• RQ2 样本内与样本间注意力机制是否能提升对 PD 检测的特征交互建模？
• RQ3 在 Parkinson’s Telemonitoring 数据集上，SAINT、TabNet、MLP 与 Gradient Boosting 在加权精度、召回、F1、MCC 和 AUC-ROC 的排序如何？

主要发现

• SAINT 实现了最高的加权精度 0.98 和加权召回 0.97。
• SAINT 实现了最高的加权 F1-score 0.97。
• SAINT 达到 MCC 0.9990，并在模型中具有最高的 AUC-ROC。
• TabNet 的加权精度 0.96，召回 0.95，F1 0.95，MCC 0.9990 位居其后。
• MLP 的加权精度 0.95，召回 0.95，F1 0.95，MCC 0.9995。
• Gradient Boosting 的表现最低，加权精度 0.90，召回 0.90，F1 0.90，MCC 0.7310。

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