基于多模态影像深度学习在帕金森病症早期诊断研究

摘要

本研究旨在探索基于声音信号分析的帕金森病（Parkinson’s Disease，PD）预测方法。鉴于帕金森病的早期诊断对于疾病管理和治疗的重要性，以及传统诊断方法的局限性，本研究采用机器学习技术，通过分析患者的声音特征来实现自动化的疾病分类。研究首先对收集的188名帕金森病患者和64名健康对照组的声音数据进行了细致的预处理，包括去除噪声、特征提取和降维。然后，引入随机森林算法搭建特征评估体系，以识别对分类任务最为关键的特征。在此基础上，进一步应用主成分分析（PCA）进行降维，以减少数据的维度并保留最重要的变异成分。最终，构建了一个多层感知器（MLP）神经网络模型，结合分层交叉验证策略优化模型参数，确保模型在不同数据子集上均能保持稳定性能。最终测试结果显示，该模型在独立验证数据集上的诊断准确率高达94.25%，显示出良好的泛化能力和临床应用潜力。本研究不仅为帕金森病的早期诊断提供了一种新的辅助工具，也为基于声音分析的疾病预测方法提供了新的研究思路。