パーキンソン病の早期診断の精度は、深セン先進病院と中山第一病院が共同で GSP-GCNs モデルを提案し、90.2% まで向上しました。

中山大学第一付属病院や中国科学技術大学先進病院などの研究チームは、イベント相関を使用する深層学習モデルであるグラフ信号処理-グラフ畳み込みネットワーク (GSP-GCN) を提案しました。パーキンソン病を診断するための脳波音調変調を含む特定のタスクから取得されます。

震え、動作が遅い、表情が硬い…パーキンソン病というと、まず「手の震え」を思い浮かべる人が多いと思いますが、中期・後期になると平衡感覚の障害や困難などの問題が生じることもあります。寝返りをしたり、下肢や頭が無意識に震えたりすると、生活の質に重大な影響を与える可能性があります。

中国リハビリテーション医学会が2023年4月に発表したデータによると、我が国のパーキンソン病患者は300万人を超え、世界全体の4分の1を超え、毎年約10万人の新たな患者が増加している。2030 年までに、我が国のパーキンソン病患者の総数は 500 万人に達し、世界の患者数のほぼ半分を占めると推定されています。

しかし、パーキンソン病の病因は現在不明であり、特定の遺伝的要因に起因すると考えられるのは 20% 症例のみであるため、早期診断は大きな課題に直面しています。

安静時脳波 (EEG) は、その非侵襲性と高い時間分解能で脳活動を捕捉できるため、パーキンソン病を診断する重要な方法となっています。近年、パーキンソン病の早期診断のために深層学習とEEGを組み合わせた関連研究が始まりました。しかし、これらの方法のほとんどは効果を発揮するために定常EEG信号に基づく必要があり、パーキンソン病に関連した脳活動変化の動的な特徴を捉えることができません。

これを考慮して、中国科学院深セン先端技術研究所と中山大学第一付属病院の研究者らは、パーキンソン病における言語運動課題の異常な脳波特性を利用して、解釈可能なグラフ信号処理グラフ畳み込みネットワーク（GSP）を提案した。 ).-GCN) モデル、音声基本周波数調整タスクからのEEGデータを使用し、パーキンソン病患者の大規模な脳機能ネットワークの神経マーカーをマイニングすることにより、パーキンソン病の高精度のインテリジェント診断が達成されました。

紙を入手してください:

https://www.nature.com/articles/s41746-023-00983-9
完全な PDF を取得するには、公開アカウントのバックグラウンドで「パーキンソン」に返信してください

データセット: 数百人の参加者による音声実験

研究チームは、以下の診断を受けた52人を含む100人の参加者を招待した。特発性パーキンソン病患者（女性 24 名、男性 28 名）と、性別と年齢が一致した 48 名の健康な対照。参加者全員が発声実験を行いました。

実験中、参加者は5〜6秒間、継続時間200ミリ秒で母音を発声し続けることが求められた。各発声は 4 ～ 5 つの摂動で構成され、擬似ランダムプレゼンテーションの方法。参加者は合計 100 回の試行で、連続 20 ～ 25 回発声しました。

参加者が発声実験を行っている間、研究者は NetStation ソフトウェアを使用して、Net Amps 300 アンプ (EGI) に接続された 64 リード電極キャップを使用して 1 kHz のサンプリング周波数で EEG 信号を記録しました。

GSP-GCNs モデル: 4 つの連続コンポーネントで構成されます。

GSP-GCNs モデル フレームワークには、グラフ信号処理モジュール (GSP)、グラフ ネットワーク モジュール (グラフ ネットワーク モジュール)、分類器 (分類器)、および解釈可能モデル (解釈可能モデル) の 4 つのモジュールが含まれています。

* まず、GSP モジュールは大規模な EEG ネットワークを分析および処理し、動的な接続パターンを特定します。
* 次に、グラフ ネットワーク モジュールは、これらの接続パターンを分類の主要な特徴として取得します。 * その後、分類子コンポーネントは、これらの抽出された特徴を利用して、パーキンソン病患者と健康な個人を区別します。 * 最後に、解釈可能性モデルは、グローバルな視覚化機能を提供することで基本を学習します。そしてそれらを音声関連のEEGマイクロステート特徴と調整して、フレームワークの解釈可能性を高めます。

この革新的なアプローチを採用することで、GSP-GCN フレームワークは、タスク関連の EEG データを使用したパーキンソン病の診断における深層学習モデルの使用を容易にするための例示的な情報を提供することを目的としています。

モデル効果: 優れた解釈性

この研究では、PCC + GCN、PLV + GCN、PCC + GSP-GCN、および PLV + GSP-GCN の 4 つのグラフ ネットワーク ベース モデルを提案しています。

このうち、PCC (ピアソン相関係数) と PLV (位相同期値) は、それぞれ脳ネットワークを構築するために使用される異なる特徴を表します。ただし、機能の種類に関係なく、GSP-GCN モデルはすべて、GCN モデルよりも大幅に優れたパフォーマンスを示します。

下図に示すように、本研究で提案したGSP-GCNモデルのROC値は0.08未満にとどまっています。これは、グラフ集約を通じてシングルホップおよびマルチホップ ネットワークのローカル情報とグローバル情報のバランスをとることにより、分類パフォーマンスを向上させる GSP の可能性を強調しています。

ローカル情報とグローバル情報を組み合わせることで、この研究で提案された GSP-GCNs モデルは、パーキンソン病患者と正常対照を区別する平均分類精度が 90.2% であり、他の深層学習モデルよりも 9.5% 大幅に高くなります。さらに、GCN モデルは、すべてのベースライン モデルよりも計算の複雑さが低いことがわかります。

さらに、研究チームはGSP-GCNsモデルの解釈可能性を分析し、大規模脳波ネットワークとMS5ミクロ状態脳波トポグラフィーの間の差分分布に関する学習結果を明らかにしました。パーキンソン病患者と正常対照間の音声基本周波数調節課題では、有意差のある脳領域は主に左腹側運動前野、上側頭回、ブローカ野に位置しており、これは以前に発見された音声運動障害の脳ネットワークと一致している。パーキンソン病では高い一貫性。

これは次のことを示していますこの研究で提案された GSP-GCN モデルは、大規模ネットワークから固有の EEG バイオマーカーを識別することができ、優れた解釈可能性を提供します。

さらに重要なことは、このモデルは、聴覚フィードバックタスクにおいてパーキンソン病患者と正常対照者の脳機能ネットワークの違いを効果的に学習でき、疾患の診断および分類モデルに適用される深層学習の解釈可能性を分析するための新しい方法を提供することです。

AI がパーキンソン病の診断に役立つバイオマーカーを特定

パーキンソン病の発症隠れており、ゆっくりと進行します。治療効果を高めるには、早期の診断とタイムリーな介入が非常に重要です。パーキンソン病の早期診断への重要なアプローチは、筆跡パターン、運動機能、歩行パターン、言語特性などのさまざまな行動分野でバイオマーカーを特定することです。

機械学習は近年、医療画像分野における強力なツールとなっており、この技術は複雑な神経画像データから高レベルの特徴やパターンを抽出するのに役立ちます。また、機械学習は多次元的な解析能力に優れているため、医療画像分野における個体分類にも活用できます。今回中山付属病院共同研究チームが提案したGSP-GCNsモデルは、言語関連の神経マーカーをマイニングすることでパーキンソン病患者を診断するもので、AI深層学習モデルはパーキンソン病のさまざまな行動分野の識別に応用されている、まだ開発の余地がかなりあります。

それと同じように、福建医科大学付属ユニオン病院の研究チームは最近、パーキンソン病患者のすくみ歩行のリスクを個人レベルで予測する機械学習モデルを開発した。これは、遅発性すくみ歩行を発症する可能性が高いパーキンソン病患者を早期に特定するために使用でき、それによって臨床医がパーキンソン病患者のすくみ歩行症状を予防し介入するための貴重な指針を提供します。

また、ユニバーシティ・カレッジ・ロンドン（UCL）の研究チームは、300人のパーキンソン病患者と300人の健康なボランティアからのビデオデータを使用して人工知能アルゴリズムを訓練した。パーキンソン病患者の運動パターンを特定でき、パーキンソン病の診断精度は90%と高い。

将来的には、神経画像に基づく機械学習 AI をさらに利用して、パーキンソン病の症状に関連するさまざまな行動分野のバイオマーカーを効果的に特定できるようになり、パーキンソン病の早期診断のさらなる開発が促進されることが期待されます。