Сочинение на тему Исследование разработки, применения и валидности различных алгоритмов машинного обучения для прогнозирования прогрессирования заболевания при болезни Паркинсона

БП часто встречается у пожилых людей, и постоянный мониторинг прогрессирования заболевания оправдан с помощью регулярных посещений клиники. Удаленный мониторинг пациентов привлекает все больше внимания к отслеживанию прогрессирования заболевания с использованием различных неинвазивных методов, таких как мониторинг речевых паттернов у пациентов, страдающих БП. Поскольку нарушения речи распространены у 70-90% пациентов с БП, записи голоса были бы полезны для выявления БП и отслеживания прогрессирования заболевания. Кроме того, субъекты ПД испытывают характерные модели речи и речи, которые могут служить потенциальными индикаторами для раннего обнаружения, недорогими неинвазивными и трудоемкими диагностическими инструментами для ПД. Причиной повышенного внимания к диагностике БП с использованием речевых паттернов является, главным образом, быстрое развитие теледиагностики и телемониторинга в области медицины. Кроме того, эти методы являются менее дорогостоящими, и устройства часто легко самоконтролируются субъектами, которые сокращают посещения пациентов в клиниках, позволяя пациентам самостоятельно отслеживать прогрессирование заболевания. Хотя лекарства и хирургические вмешательства могут контролировать прогрессирование болезни ПД, облегчая моторные симптомы, нет способа вылечить БП. В современных методах исследования отсутствует всестороннее понимание прогрессирования заболевания БП, поскольку в проявлении и прогрессировании заболевания участвуют несколько клинических и неклинических факторов, часто приводящих к гетерогенности. Поэтому ранняя диагностика имеет решающее значение для прогнозирования прогрессирования заболевания, чтобы помочь пациентам улучшить качество жизни и выжить.

Единая шкала оценки болезни Паркинсона (UPDRS) – это универсальная и широко используемая шкала клинических оценок для оценки клинического спектра БП, которая служит базовой оценкой БП. Понимание взаимосвязи между показателями UPDRS и характеристиками речевого сигнала пациента было тщательно изучено для прогнозирования БП на ранних стадиях. Однако, врачи не могут использовать оценки UPDRS для оценки и оценки записей голоса пациентов вручную в большом наборе данных. Поскольку голосовые записи пациентов, как правило, занимают много места, для клиницистов практически невозможно вручную оценить их, потому что это трудоемкий процесс. Доказано, что системы машинного обучения являются многообещающей технологией для автоматической оценки показателей тяжести заболевания по шкале UPDRS. Таким образом, автоматизированные системы, использующие алгоритмы машинного обучения, разрабатываются для объективного выявления и мониторинга прогрессирования заболевания. В большинстве исследований использовались усовершенствованные алгоритмы машинного обучения для извлечения соответствующих или наиболее значимых функций (извлечение признаков) из базы данных, которая вносит вклад в PD (баллы UPDRS). Вокализованные и невокализованные сегменты были извлечены из модели, построенной с использованием универсальной фоновой модели модели гауссовой смеси (GMM-UBM) с использованием алгоритма регрессии опорных векторов. Модель предсказывала PD с корреляцией Пирсона 0,60 для баллов MDS-UPDRS. Дистанционное отслеживание прогрессирования болезни ПД было выполнено с использованием методов регрессии, таких как машины опорных векторов (SVM), машины опорных векторов наименьших квадратов (LS-SVM), многослойная нейронная сеть персептрона (MLPNN) и нейронная сеть общей регрессии (GRNN) для прогнозирования наблюдаемого UPDRS баллы. Результаты показали, что LS-SVM превосходит все другие методы регрессии, протестированные для набора данных. Алгоритм выбора функции максимальной релевантности с минимальной избыточностью, протестированный на речевых сигналах ЧР, позволил получить точность 90,3% и точность 90,2% и корреляцию Мэтьюса 0,73 с использованием модели случайного леса. Это открытие показало, что простой случайный лес лучше, чем другие методы, такие как пакетирование, бустинг, SVM и методы дерева решений. Для поддержки поэтапного обновления данных был применен подход постепенной векторной поддержки (ISVR) для прогнозирования показателей UPDRS. Исследование подтверждает, что самоорганизующаяся карта (SOM), нелинейные итерационные частичные наименьшие квадраты (NIPALS) и методы ISVR эффективны при прогнозировании Total-UPDRS и Motor-UPDRS (Nilashi et al. 2018). Хотя кластеризация не была главной целью данного исследования, для кластеризации многоколлинеарных речевых данных с ПД были проведены такие продвинутые методы, как анализ главных компонентов (PCA) и максимизация ожиданий (EM).

Новые методы регрессии, такие как адаптивная система нейро-нечеткого вывода (ANFIS) и SVR, были выполнены для прогнозирования прогрессирования ПД, что значительно улучшило точность прогнозирования ПД. Однако эта модель была ограничена количеством обучающих выборок в каждом кластере, построенных с помощью алгоритмов PCA и EM. Оценка UPDRS для данных телемониторинга была проверена с использованием методов линейной и нелинейной регрессии, таких как наименьшие квадраты (LS), итеративно переоцененный LS (IRLS) и оператор наименьшей абсолютной усадки и выбора (LASSO). Вычислительные подходы, такие как нейронные сети, могут разработать более точные модели для прогнозирования заболеваний. Искусственные нейронные сети (ANN) и ANFIS использовались для прогнозирования PD с использованием речевых данных. Преимущества использования нейронных сетей состоят в том, что модели обучения легко сопоставлять с входными данными. Однако было отмечено, что модели ANFIS сравнительно занимают больше времени для обучения модели. Лучшая модель, реализованная в этой статье, произвела MAE = 5:33, MSE = 44:69 и R = 0:61. Методы интеллектуального анализа данных с использованием деревьев решений выполняются на наборе данных дистанционного мониторинга PD из Калифорнийского университета в Ирвине (UCI) для построения модели прогнозирования на основе классификации дерева решений. Модель показала точность 85,08% с ошибкой классификации 14. 92%. Деревья решений в мешках (случайные леса) превзошли линейную регрессию, модели SVR и Маркова по двум различным наборам речевых данных PD (из Synapse. Org и библиотеки машинного обучения UCI). Точность прогнозирования с использованием случайных лесов была улучшена до 2% по шкале от 0 до 176 с среднеквадратической ошибкой (RMSE), равной 2. Новые и надежные алгоритмы машинного обучения, такие как разреженная полиномиальная логистическая регрессия, ансамбль лесов вращения с опорным вектором анализ машин и основных компонентов, искусственные нейронные сети, методы повышения были выполнены на речевом наборе данных PD. Модель полилинейной логистической регрессии дала точность 100% с чувствительностью и специфичностью 0,983 и 0,996 соответственно.

Автоматическая классификация треморной активности была выполнена с использованием деревьев решений, SVM, дискриминантного анализа, случайного леса и K-ближайшего соседа. Метод показал среднеквадратичную ошибку (RMSE) 0,410 для протестированных алгоритмов, а производительность алгоритмов имеет точность 85,5%. Авторы подтвердили результаты, используя метод исключения, а не традиционную перекрестную проверку, которая имеет лучшую точность и достоверность. Хотя в исследовании делается вывод о том, что метод был успешным в автоматической сортировке треморов с использованием показателей UPDRS и алгоритмов ML, в статье было рассмотрено несколько ограничений, таких как смещение UPDRS в сторону низких показателей, из-за которых регистрируется более низкая точность для более высокого показателя UPDRS.

В другом исследовании новый гибридный алгоритм, генетический алгоритм и SVM использовались для классификации пациентов с БП на основе их записей голоса. Генетический алгоритм оптимизировал 14 ключевых голосовых переменных, и для их классификации использовался SVM. Хотя исследование показало точность 94,5%, оно напоминало результаты предыдущей работы и не тестировалось для оценки эффективности нового алгоритма.