[论文解读] 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 4

一句话总结

本篇系统性综述评估了利用209项研究数据的机器学习在帕金森病诊断中的应用，识别出多种数据模态和机器学习技术，显著提升了诊断的准确性和客观性。研究结果表明，特别是基于语音、步态和神经影像数据的机器学习模型，能显著改善帕金森病的早期诊断与鉴别诊断。

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.

研究动机与目标

• 评估机器学习在改善帕金森病诊断方面的有效性。
• 识别帕金森病诊断研究中最常使用的数据模态和机器学习方法。
• 评估机器学习模型在区分帕金森病患者与健康对照组及其他运动障碍方面的性能与可靠性。
• 强调由于轻微或非运动症状导致的早期诊断挑战，并探讨机器学习在应对这些挑战方面的潜力。
• 全面概述基于机器学习的帕金森病诊断的当前趋势与未来发展方向。

提出的方法

• 使用PubMed和IEEE Xplore数据库进行系统性文献回顾，截止至2020年2月14日。
• 筛选并提取了209项研究的数据，重点关注数据来源、类型、机器学习方法及研究结果。
• 根据数据模态（如语音记录、步态分析、神经影像、可穿戴传感器）对研究进行分类。
• 评估了包括支持向量机、随机森林、深度神经网络和传统分类器在内的机器学习技术。
• 综合分析各研究中模型性能、诊断准确率及临床适用性的发现。
• 评估了机器学习通过客观、数据驱动的生物标志物支持临床决策的潜力。

实验结果

研究问题

• RQ1 在帕金森病诊断的机器学习模型中，哪种数据模态被最频繁使用？
• RQ2 不同机器学习算法在区分帕金森病与健康对照组或其他运动障碍方面的表现如何比较？
• RQ3 机器学习模型在检测早期帕金森病方面的诊断准确率如何？
• RQ4 与传统方法相比，基于机器学习的方法如何提升临床诊断的客观性并减少主观性？
• RQ5 基于当前研究，应用机器学习于帕金森病诊断的主要挑战与局限性是什么？

主要发现

• 语音分析成为最广泛使用的数据模态，在区分帕金森病患者与对照组方面表现出高分类准确率。
• 利用可穿戴传感器进行的步态与运动分析在早期检测和客观监测疾病进展方面展现出强大潜力。
• 基于神经影像的机器学习模型在区分帕金森病与非典型帕金森综合征及其他帕金森综合征方面表现出中等至高准确率。
• 深度学习模型，特别是卷积神经网络和循环神经网络，在处理语音和步态信号等复杂数据方面表现优异。
• 总体而言，基于机器学习的系统显著降低了诊断的主观性，提高了识别细微运动症状与非运动症状的可靠性。
• 多模态数据整合（如语音+步态+临床评分）的诊断准确率高于单一模态方法。