帕金森早期诊断准确率提高至 90.2%，深圳先进院联合中山一院提出 GSP-GCNs 模型
💡
原文中文，约2800字，阅读约需7分钟。
📝
内容提要
中山大学附属第一医院和中科大先进院的研究团队提出了一种利用脑电图数据诊断帕金森病的深度学习模型。该模型通过挖掘脑功能网络实现高精度诊断，分类准确率达到90.2%，比其他模型提高了9.5%。计算复杂度低且可解释性良好，为帕金森病早期诊断提供了新方法。
🎯
关键要点
- 中山大学附属第一医院和中科大先进院的研究团队提出了一种深度学习模型GSP-GCNs，用于帕金森病的诊断。
- 该模型通过分析脑电图数据，实现了90.2%的分类准确率，比其他模型提高了9.5%。
- 帕金森病患者在中晚期会出现多种症状，影响生活质量，目前中国帕金森病患者已超过300万。
- 帕金森病的发病机制尚不明确，早期诊断面临挑战，现有方法多依赖于平稳的脑电图信号。
- 研究团队利用帕金森病言语运动任务的脑电特征，提出了具有可解释性的GSP-GCNs模型。
- GSP-GCNs模型框架包括图信号处理模块、图网络模块、分类器和可解释模型。
- 该模型通过结合局部和全局信息，显著提高了分类性能，计算复杂度低。
- 研究揭示了帕金森病患者与正常对照在脑电图特征上的显著差异，提供了良好的可解释性。
- 机器学习在医学影像领域的应用日益广泛，GSP-GCNs模型为帕金森病的早期诊断提供了新方法。
- 未来，期待基于神经成像的机器学习进一步推动帕金森病早期诊断的发展。
➡️
