Page 141 - 南京医科大学自然版

第44卷第6期 张逸悦，王 峰. 人工智能与PET/MR在帕金森病诊断中的应用［J］.
2024年6月 南京医科大学学报（自然科学版），2024，44（6）：876-881 ·877 ·

添了对运动状况的评估，更方便临床操作，即 MDS⁃ 征提取偏向于线性语音参数，如音高和基频，采用
UPDRS量表 ，但其即时性和准确性存在缺陷。 Max Little 方法提取了语音非线性参数——重复周
［7］
AI是一个通用术语，指利用计算机模拟智能行为 期密度熵和趋势波动分析。结果证明，非线性语音
［8］ ［11］
的技术，已被应用于医疗领域 。机器学习（machine 特征参数提高了诊断准确性。Solana⁃LaValle 等
learning，ML）是 AI 的重要分支，通过数据和经验使 合并了目前 PD 和健康对照的语音公共数据集，借
计算机自动学习和改进性能，进行预测和决策，深 助 Wrappers 特征选择方法，进行特征提取，以选取
度学习（deep learning，DL）是 ML 的一个子领域，模 最优的特征子集，有效区分患者和正常人。选用的
拟人脑神经网络的结构和功能，通过多层次的神经 分类器模型包括k近邻、多层感知器、支持向量机和
网络学习来抽取数据的高级特征最终决策。图1展 随机森林。结果表明，可调 Q 小波变换特征是最能
示了 AI 分类模型的一般流程。目前，PD 诊断依赖 区分 PD 和健康受试者的特征集合，基于径向基函
于临床医生的经验和病史分析，但存在主观性和误 数的支持向量机是最有效的基于声音的PD 检测分
判。AI 可从临床和生物标志数据中提取特征和模 类器。该研究的精度达到了 0.94。采用 Wrappers
式，实现 PD 的自动化诊断。这两者已被应用于识 特征选择方法，减少了特征维度，降低了计算复杂
别 PD 或类似症状（如运动障碍或其他帕金森综合 性，提高了诊断效能。由此再次证实，有特征选择
［9］
征） 。PD 的主要症状之一是发音困难，包括响度 的语音分类器效能好于单一的分类器 ［12］ 。然而，这
降低、谐波频谱较高部分的能量减少和声音震颤。 些研究都基于封闭的数据集和较少的样本量，临床
国内有研究采集了受试者 5 s 的元音发音，AI 构建 应用和推广仍有待进一步研究，而更好的特征选择
了PD 语音辅助诊断系统 ［10］ 。该研究区别于以往特 方法将成为未来研究的焦点。

Train the model with the training
set to continuously learn the
Select important features that relationship between features
Collect subject information，select have a significant impact on and labels；test the model with
the relevant signal information， classification in order to the test set to evaluate the
and preprocess（e.g.speech， reduce feature dimensions performance and generalization
gait，handwriting，etc.） and computational complexity ability of the classifier

Data Feature Feature Classification Training and Optimization
acquisition extraction selection model testing and application

Extract representative Selection of classification model， Based on the evaluation results，
features from the raw data which can be based on literature optimize the classifier by adjusting
to faciliate model learning or comparison of multiple parameters，changing feature
and classification models（common ones include： selection strategies，etc.，to improve
support vector machine，naive the performance of the classifier and
Bayes，decision tree，artificial apply it to practical tasks for
neural network，etc.） automated classification

图1 人工智能分类模型一般流程
Figure 1 The general process of the artificial intelligence classification model

笔迹的变化与 PD 病程存在着相关性 ［13］ 。笔迹 临床评分作为目标变量，建立模型并进行评估。敲
数据可以作为鉴别早期PD的重要指标。PD书写障 击和螺旋绘图的特征可以作为预测PD 临床症状严
碍表现为书写速度慢、连续性差，且越写越小。 重程度的指标。但研究未对初始收集的特征进行
Aghanavesi等 ［14］ 在智能手机上进行敲击和螺旋绘图 加权处理，可能造成评估差异。另有研究更详细地
测试来评估患者的手指灵巧度，时间序列分析方法 观察参与者绘制的图案（三角形、立方体和阿基米
对原始敏捷性数据进行处理，提取了 37 个时空特 德螺旋），并用数学方程生成特征向量。使用3种不
征，并进行了相关矩阵主成分分析，7个特征值大于 同的分类器（最优路径森林、支持向量机和贝叶斯分
1的主成分得分被保留并用于后续分析。使用支持 类器）对数据进行分类和分析研究 。结果表明，支
［15］
向量机、线性回归、回归树和多层感知器人工神经 持向量机和阿基米德螺旋图案的结合达到 100%的
网络等机器学习方法，将主成分作为预测变量，将 准确率，在笔迹分析方面，螺旋图像仍是研究重点。