本研究提出了一种自适应小波滤波器(AWF)，旨在增强眼底OCT图像的纹理特征，从而提高帕金森病的自动筛查性能和可信度。

本研究提出了一种双头深度神经网络，用于在双语环境中通过语音检测帕金森病。该模型在斯洛伐克语和西班牙语的检测能力显著优于传统单语言模型。

本研究提出了AI驱动的对话式日志记录系统PATRIKA，旨在改善帕金森病患者的信息收集。该系统通过互动和个性化设计，提高患者参与感，解决传统日志记录中的信息不完整和不准确问题，显示出在治疗管理中的重要潜力。

本研究解决了当前帕金森病（PD）进展预测方法成本高、耗时长且需要专业设备与技能的问题。通过比较长短期记忆（LSTM）网络和科尔莫戈罗夫-阿诺德（KAN）网络，提出了使用动态学习的回归方法来提高预测精度。研究发现，KAN在预测PD进展方面表现优于其他模型，显示了人工智能和机器学习在医疗保健中的潜力，能够改善临床预测并提升患者护理与治疗策略。

本研究利用长短期记忆网络（LSTM）和多层感知机（MLP）分析帕金森病患者的语音信号特征，以提高早期诊断和疾病进展预测的准确性。结果表明，所选特征能有效预测疾病在2期和3期的进展。

本研究提出了一种基于LSTM的深度学习模型，用于检测帕金森病患者的步态冻结现象，检测精度达到97.71%，显示出在帕金森病诊断中的潜力。

本研究提出FOGSense系统，利用Gramian角场和联邦学习技术，提高帕金森病患者冻结步态（FOG）检测的准确性。在非控制环境下，FOGSense的检测准确性提高了10.4%，并展现出良好的个性化适应性和对缺失数据的鲁棒性。

本研究解决了语音基础的帕金森病检测模型可解释性不足的问题，评估了多种可解释性方法以识别特有的语音特征，支持临床决策。尽管结果一致，但专家提供的信息仍显不足。

本研究提出了一种新型自监督和运动增强自编码器MA²，旨在提高步态基础自动疾病检测的准确性。该模型通过多头自注意力机制，在有限样本上实现了90.91%的准确率，并在帕金森病数据集上展现出78.57%的推广能力。

本研究通过分析书写过程中的运动学和压力特征，成功区分帕金森病患者与健康对照，构建的书写数据库使得支持向量机（SVM）分类器的诊断准确率达到81.3%。

本研究提出了一种结合卷积神经网络和注意力机制的新方法，用于帕金森病阶段预测，显著提升了预测准确性和模型鲁棒性。实验结果表明，采用注意力机制的模型效果最佳。

本研究提出GAMMA-PD框架，旨在解决帕金森病多模态医疗数据分析中的异质性和复杂性。通过整合影像与非影像数据，GAMMA-PD能够有效预测运动障碍症状，并提供临床相关解释。

本文探讨了深度学习方法在帕金森病（PD）诊断中的应用，包括图卷积网络、LSTM和CNN等。研究表明，结合声音特征和脑影像信息的模型在准确性和效率上优于传统方法，强调了先进机器学习技术在早期检测PD中的重要性。

本研究探讨了深度学习在帕金森病患者语音分类中的应用，利用预训练模型wav2vec 2.0实现了97.92%的准确率。研究分析了自动语音识别系统的错误对分类精度的影响，并提出了新的声学特征嵌入方法，强调了模型选择和预处理的重要性，为临床诊断提供了有价值的见解。

本文提出了一种基于计算机视觉的模型，通过视频记录提取帕金森病患者的3D骨架，跟踪运动并进行分类。研究表明，该模型可作为客观生物标志物，帮助评估患者的步态和运动变化，具有临床应用潜力。

帕金森病的诊断受限于缺乏公开可获取的语音数据集。深度学习方法包括端到端学习、迁移学习和深度声学特征提取。端到端学习方法主要使用卷积神经网络和变压器，但面临数据和计算资源限制。迁移学习可以提供更强大的诊断和跨语言普适性。深度声学特征提取方法的性能较低。未解决的问题包括偏差、可解释性和隐私。需要进一步研究。

本文探讨了深度学习图卷积网络在帕金森病和阿尔茨海默病诊断中的应用。研究表明，结合MRI和DTI数据的模型能有效分类疾病，准确率高达95.53%。此外，3D卷积神经网络在疾病预测和分类中表现优越，能够捕捉脑部结构变化，提升早期诊断能力。