研究人員聲稱人工智能可以從智能手機數據中診斷出帕金森病

帕金森病是一種影響運動的神經退行性疾病，影響著全世界超過一千萬人; 每年大約有60,000人被診斷出來。早期檢測可以預防嚴重癥狀的發作，但說起來容易做起 - 沒有特定的測試來診斷帕金森病。

不過，瑞士蘇黎世機器人和智能系統研究所的研究人員取得了令人鼓舞的進展。在預印本服務Arxiv.org上發表的一篇論文(“ 從智能手機數據中學習診斷帕金森病 ”)中，他們描述了一個可以通過一系列基于智能手機的測試收集的數據來診斷帕金森病的人工智能系統。

他們的工作建立在約翰斯·霍普金斯大學和倫敦大學的先前研究基礎之上，后者開發了一些應用程序--HopkinsPD 和 CloudUPDRS--用于監測全天帕金森癥狀的變化。

“[M]診斷[帕金森病]是常見的，”蘇黎世研究人員寫道。“導致誤診的一個因素是帕金森病的癥狀在進行臨床評估時可能并不突出。”

他們采集了mPower臨床試驗期間收集的數據，這是一項基于智能手機的大規模帕金森病研究，有1,853名用戶提供人口統計信息和帕金森病可能的先前專業診斷。它還要求他們完成一系列旨在測量運動，語音，手指靈活性和空間記憶障礙的測試。

一次行走測試讓他們把手機放在口袋里，向前走，轉過身，然后回過頭去。語音評估要求他們在手機的麥克風中說“aaaah”。敲擊測試讓他們交替點擊兩個屏幕按鈕，最后的測試 - 記憶測試 - 指示他們重復在網格上照亮的一系列圖像。

在預處理之后，團隊最終分別為每個記錄提供了300,250,400和25個樣本，用于步行，語音，點擊和內存測試。

結果輸入預測模型 - 特別是用于步行，語音和敲擊測試的卷積神經網絡和用于記憶測試的具有雙向長短期記憶(BLSTM)的遞歸神經網絡。隨機森林模型反過來又提供了另一種算法 - “證據聚合模型”(EAM)，也是一種遞歸神經網絡 - 產生了一個診斷分數。

為了給EAM的預測帶來透明度，該團隊設計了一個互補模型 - 一個“神經軟關注機制” - 確定數據中哪些測試和測試段對于模型的輸出最重要。

他們寫道：“向臨床醫生提供有關模型輸出基于哪些數據的信息，可以幫助確定診斷評分......并告知臨床醫生的進一步臨床決策。” “例如，在診斷預測主要針對運動癥狀的患者中，診斷臨床醫生可以集中精力排除可能導致類似癥狀的其他運動障礙。”

最后，EAM的表現優于嚴格依賴人口統計信息診斷帕金森癥的基線模型，AUC為0.85，是衡量整體測試表現的指標。(它有15%%的機會誤診這種疾病。)

這不是一個完美的模型。一些研究表明，訓練數據包括帕金森病的專業診斷，眾所周知，這種診斷充滿了不準確性 - 多達25%%是不正確的。此外，由于它是在智能手機上收集的，其準確性可能會因隨機運動，與帕金森病相似的神經系統疾病以及其他變異性而降低。

然而，研究人員認為它足夠強大，可以在野外部署。

研究人員寫道：“我們的結果證實，長期收集的智能手機數據可能在未來可能被用作診斷帕金森病的其他證據。