La Précision Du Diagnostic Précoce De La Maladie De Parkinson a Augmenté À 90,2%. L'Institut De Technologie Avancée De Shenzhen Et Le Premier Hôpital De Zhongshan Ont Proposé Conjointement Le Modèle GSP-GCN

Une équipe de recherche du premier hôpital affilié de l'université Sun Yat-sen et de l'Institut de technologie avancée de l'USTC a proposé un modèle d'apprentissage profond - traitement du signal graphique-réseaux convolutifs graphiques (GSP-GCN), qui utilise des données EEG liées aux événements obtenues à partir de tâches spécifiques impliquant la régulation du tonus pour diagnostiquer la maladie de Parkinson.

Tremblements, mouvements lents, expressions raides... Lorsqu'on parle de la maladie de Parkinson, la plupart des gens pensent d'abord aux « tremblements des mains ». Cependant, ils ne savent pas qu'aux stades intermédiaire et avancé de la maladie, les patients peuvent même avoir des problèmes tels que des troubles de l'équilibre et des difficultés à se retourner. Leurs membres inférieurs et leur tête trembleront involontairement, affectant gravement leur qualité de vie.

Les données publiées par l'Association chinoise de médecine de réadaptation en avril 2023 ont montré qu'il y a plus de 3 millions de patients atteints de la maladie de Parkinson dans mon pays, soit plus d'un quart du nombre total mondial, et qu'environ 100 000 nouveaux cas s'ajoutent chaque année.On estime que d’ici 2030, le nombre total de patients atteints de la maladie de Parkinson dans mon pays atteindra 5 millions, soit près de la moitié du nombre mondial de patients.

Cependant, la pathogénèse de la maladie de Parkinson est encore inconnue et seuls 201 cas de TP3T peuvent être attribués à des facteurs génétiques spécifiques, de sorte que le diagnostic précoce est confronté à des défis majeurs.

L'électroencéphalogramme au repos (EEG) est devenu un moyen important de diagnostiquer la maladie de Parkinson en raison de son caractère non invasif et de sa capacité à capturer l'activité cérébrale avec une résolution temporelle élevée. Ces dernières années, des études pertinentes ont commencé à combiner l’apprentissage profond avec l’EEG pour le diagnostic précoce de la maladie de Parkinson. Cependant, la plupart de ces méthodes nécessitent des signaux EEG stables pour fonctionner et ne peuvent pas capturer les caractéristiques dynamiques des changements d’activité cérébrale liés à la maladie de Parkinson.

Compte tenu de cela,Des chercheurs des Instituts de technologie avancée de Shenzhen de l'Académie chinoise des sciences et du premier hôpital affilié de l'Université Sun Yat-sen ont proposé un modèle de réseau convolutif de traitement de signal graphique interprétable (GSP-GCN) utilisant des caractéristiques EEG anormales des tâches motrices de la parole dans la maladie de Parkinson.En utilisant les données EEG de la tâche de modulation de fréquence fondamentale de la parole et en exploitant les marqueurs neuronaux du réseau fonctionnel cérébral à grande échelle des patients atteints de la maladie de Parkinson, nous avons obtenu un diagnostic intelligent de haute précision de la maladie de Parkinson.

Obtenez le papier :

https://www.nature.com/articles/s41746-023-00983-9
Répondez « Parkinson » dans le compte public WeChat pour obtenir le PDF complet

Ensemble de données : expérience de vocalisation avec 100 participants

L’équipe de recherche a invité 100 participants, dont 52 personnes diagnostiquées avecmaladie de Parkinson idiopathiquepatients (24 femmes et 28 hommes) et 48 témoins sains appariés selon le sexe et l’âge.Tous les participants ont réalisé l’expérience de vocalisation.

Au cours de l’expérience, les participants devaient produire des voyelles pendant 5 à 6 secondes d’une durée de 200 ms. Chaque énoncé est composé de 4 à 5 perturbations.Pseudo-aléatoirePrésenté de cette façon. Les participants ont vocalisé 20 à 25 fois de suite pour un total de 100 essais.

Pendant que les participants effectuaient l'expérience de vocalisation, les chercheurs ont utilisé le logiciel NetStation pour enregistrer les signaux EEG à une fréquence d'échantillonnage de 1 kHz à l'aide d'un capuchon d'électrode à 64 dérivations connecté à un amplificateur Net Amps 300 (EGI).

Modèle GSP-GCNs : composé de 4 composantes consécutives

Le cadre du modèle GSP-GCNs se compose de quatre modules : module de traitement du signal graphique (GSP), module de réseau graphique, classificateur et modèle interprétable.

* Tout d’abord, le module GSP analyse et traite les réseaux EEG à grande échelle pour identifier les modèles de connexion dynamiques ;
* Deuxièmement, le module de réseau graphique capture ces modèles de connectivité comme des caractéristiques clés pour la classification ; * Par la suite, le composant classificateur exploite ces caractéristiques extraites pour distinguer les patients atteints de la maladie de Parkinson des individus en bonne santé ; * Enfin, le modèle d’interprétabilité améliore l’interprétabilité du cadre en fournissant une visualisation globale des caractéristiques essentielles apprises et en les alignant sur les caractéristiques micromorphiques de l’EEG liées à la parole.

En adoptant cette approche innovante, le cadre GSP-GCNs vise à fournir des informations explicatives pour faciliter l'utilisation de modèles d'apprentissage profond dans le diagnostic de la maladie de Parkinson avec des données EEG liées aux tâches.

Effet modèle : bonne interprétabilité

L'étude a proposé quatre modèles basés sur des réseaux de graphes : PCC + GCN, PLV + GCN, PCC + GSP-GCN et PLV + GSP-GCN.

Parmi eux, le PCC (coefficient de corrélation de Pearson) et le PLV (valeur de verrouillage de phase) représentent différentes caractéristiques utilisées pour construire des réseaux cérébraux. Cependant, quel que soit le type de fonctionnalité,Le modèle GSP-GCNs montre des performances nettement meilleures que le modèle GCNs.

Comme le montre la figure ci-dessous, les valeurs ROC du modèle GSP-GCN proposé par l'institut restent inférieures à 0,08. Cela met en évidence le potentiel du GSP pour améliorer les performances de classification en équilibrant les informations locales et globales dans les réseaux à saut unique et à sauts multiples grâce à l'agrégation de graphes.

En combinant les informations locales et mondiales,Le modèle GSP-GCNs proposé dans cette étude a une précision de classification moyenne de 90,2% pour distinguer les patients atteints de la maladie de Parkinson des témoins normaux, ce qui est significativement plus élevé que les autres modèles d'apprentissage profond de 9,5%.De plus, le modèle GCN présente une complexité de calcul inférieure à celle de tous les modèles de base.

De plus, l'équipe de recherche a analysé l'interprétabilité du modèle GSP-GCN et a révélé ses résultats d'apprentissage sur la distribution des différences entre les réseaux EEG à grande échelle et les cartes topographiques EEG à micro-états MS5. Dans la tâche de régulation de la fréquence fondamentale de la parole, les zones cérébrales présentant des différences significatives entre les patients atteints de la maladie de Parkinson et les témoins normaux sont principalement situées dans le cortex prémoteur ventral gauche, le gyrus temporal supérieur et l'aire de Broca, ce qui est très cohérent avec le réseau cérébral des troubles du mouvement de la parole dans la maladie de Parkinson découverts précédemment.

Cela montre queLe modèle GSP-GCN proposé dans cette étude est capable d'identifier des biomarqueurs EEG uniques à partir de réseaux à grande échelle et offre une bonne interprétabilité.

Plus important encore, le modèle peut apprendre efficacement les différences entre les réseaux fonctionnels cérébraux des patients atteints de la maladie de Parkinson et les témoins normaux dans les tâches de rétroaction auditive, fournissant une nouvelle méthode pour analyser l'interprétabilité des modèles d'apprentissage profond appliqués au diagnostic et à la classification des maladies.

L'IA identifie des biomarqueurs pour aider à diagnostiquer la maladie de Parkinson

Début de la maladie de ParkinsonElle est cachée et progresse lentement, c’est pourquoi un diagnostic précoce et une intervention rapide sont extrêmement importants pour améliorer l’efficacité. Une approche importante pour le diagnostic précoce de la maladie de Parkinson consiste à identifier des biomarqueurs dans divers domaines comportementaux, notamment les modèles d’écriture manuscrite, les fonctions motrices, les modèles de démarche et les caractéristiques du langage.

L’apprentissage automatique est devenu ces dernières années un outil puissant dans le domaine de l’imagerie médicale, aidant à extraire des caractéristiques et des modèles de haut niveau à partir de données de neuroimagerie complexes. De plus, grâce à ses excellentes capacités d’analyse multidimensionnelle, l’apprentissage automatique peut également être utilisé pour la classification individuelle dans le domaine de l’imagerie médicale. Le modèle GSP-GCN proposé par l'équipe de recherche conjointe de l'hôpital Zhongshan affilié à l'université de Zhongshan permet d'établir un diagnostic en exploitant les marqueurs neuronaux liés au langage des patients atteints de la maladie de Parkinson. Il existe encore une marge de développement considérable dans l’application des modèles d’apprentissage profond de l’IA à l’identification de divers domaines comportementaux de la maladie de Parkinson.

De la même manière,Une équipe de recherche de l'hôpital Union de l'université médicale du Fujian a récemment développé un modèle d'apprentissage automatique pour prédire le risque de blocage de la marche chez les patients atteints de la maladie de Parkinson au niveau individuel.Il peut être utilisé pour identifier précocement les patients atteints de la maladie de Parkinson susceptibles de développer un blocage retardé de la marche, fournissant ainsi des conseils précieux aux cliniciens pour prévenir et intervenir dans les symptômes de blocage de la marche chez les patients atteints de la maladie de Parkinson.

aussi,L'équipe de recherche de l'University College London (UCL) a formé un algorithme d'intelligence artificielle en utilisant des données vidéo de 300 patients atteints de la maladie de Parkinson et de 300 volontaires sains.Il permet d'identifier les schémas de mouvement des patients atteints de la maladie de Parkinson, avec un taux de précision allant jusqu'à 90% dans le diagnostic de la maladie de Parkinson.

À l’avenir, nous espérons que l’IA d’apprentissage automatique basée sur la neuroimagerie pourra être davantage appliquée pour aider les gens à identifier efficacement les biomarqueurs dans divers domaines comportementaux liés aux symptômes de la maladie de Parkinson, favorisant ainsi le développement ultérieur du diagnostic précoce de la maladie de Parkinson.