DOI: https://doi.org/10.3389/fdgth.2026.1799144
PMID: https://pubmed.ncbi.nlm.nih.gov/41970518
تاريخ النشر: 2026-03-27
المؤلف: Annsley Mohan Joseph Raj وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تقدم ورقة البحث نهجًا مبتكرًا للكشف المبكر عن مرض باركنسون (PD)، الذي يزداد انتشارًا ويتميز بتدهور الخلايا العصبية المنتجة للدوبامين مما يؤدي إلى ضعف في الوظائف الحركية. غالبًا ما تفتقر تقنيات التشخيص الحالية، التي تعتمد أساسًا على التقييمات السريرية وتصوير DaTscan، إلى الحساسية في المراحل المبكرة من المرض. لمعالجة هذه القيود، يقترح المؤلفون نهجًا جديدًا يسمى Ensemble Approach (ESDRCX) يجمع بين تقنية تجميع الميتا مع خوارزميات التعلم الآلي، بما في ذلك شجرة القرار، آلة الدعم الناقل (SVM)، وغابة عشوائية للبيانات الكمية، إلى جانب شبكة عصبية تلافيفية (CNN) لتحليل مدخلات الصور الحلزونية. يتم تعزيز دمج هذه الطرق بشكل أكبر بواسطة XGBoost كمتعلم ميتا، تم تحسينه من خلال مُقدّر بارزين هيكلي قائم على Optuna (TPE).
يظهر نموذج ESDRCX مقاييس أداء مثيرة للإعجاب، حيث يحقق دقة تبلغ 95.7%، دقة 86%، استرجاع 91%، درجة F1 تبلغ 88.6%، و AUC تبلغ 87% عند تقييمه باستخدام مجموعة بيانات HandPD. وهذا يشير إلى تقدم كبير في القدرات التشخيصية لمرض PD، مما يوفر إطارًا موثوقًا وقابلًا للتفسير وفعالًا حسابيًا للكشف المبكر. تؤكد الدراسة على أهمية تحسين طرق التشخيص المبكر لمرض PD وتضع الأساس للبحوث المستقبلية لتحسين وتأكيد نموذج التعلم الآلي المقترح بشكل أكبر.
مقدمة
تناقش مقدمة ورقة البحث مرض باركنسون (PD)، وهو اضطراب تنكسي عصبي يتميز بانخفاض كبير في إنتاج الدوبامين، مما يؤدي إلى أعراض حركية وغير حركية. تشمل الأعراض الحركية الاهتزازات، والصلابة، وعدم الاستقرار الوضعي، بينما تشمل الأعراض غير الحركية العجز المعرفي، والخلل الذاتي، واضطرابات المزاج. تؤكد الورقة على ضرورة وجود أدوات تشخيص متقدمة تتضمن خوارزميات التعلم الآلي (ML)، خاصة من خلال تحليل أنماط الصوت، لتعزيز الكشف المبكر وإدارة مرض PD.
يستخدم النظام التشخيصي المقترح، ESDRCX، نهج تعلم آلي قائم على الدمج يجمع بين خوارزميات مختلفة، بما في ذلك شجرة القرار، SVM، الغابة العشوائية، وCNN، لتحليل تدفقات الإدخال المزدوجة: ميزات الكتابة اليدوية الكمية وصور الحلزونات المرسومة باليد. تستخدم هذه الطريقة المبتكرة تقنية تجميع ميتا معززة بواسطة XGBoost مع تحسين المعلمات الفائقة عبر إطار عمل TPE القائم على Optuna، محققة دقة مثيرة للإعجاب تبلغ 95.7% في الكشف عن مرض PD. تسلط الدراسة الضوء على أهمية دمج الأعراض غير الحركية في بروتوكولات التشخيص وتدعو إلى التحول نحو منهجيات شاملة تعتمد على البيانات لتحسين دقة التشخيص وفهم مرض باركنسون.
طرق
تدمج المنهجية المقترحة، المسماة ESDRCX، تجميع الميتا مع XGBoost وتستخدم مجموعة بيانات HandPD، التي تتكون من صور حلزونية مرسومة باليد وملاحظات كمية تتعلق بمرض باركنسون. يجمع هذا النهج المزدوج المدخلات بين البيانات المرئية والكمية لتعزيز دقة التشخيص. تتضمن المنهجية معالجة البيانات، تليها إدخال الملاحظات الكمية في ثلاثة نماذج أساسية—آلة الدعم الناقل (SVM)، شجرة القرار، والغابة العشوائية—بينما يتم إدخال الصور المعالجة مسبقًا في شبكة عصبية تلافيفية (CNN). استخدمت التقييمات التجريبية مُقدّر بارزين هيكلي (TPE) مع Optuna لضبط المعلمات الفائقة، مما أدى إلى تحسينات كبيرة في الأداء عبر جميع النماذج، مع ارتفاع الدقة من 89.1% إلى 91.8% لـ SVM، ومن 84.2% إلى 88.0% لشجرة القرار، ومن 90.5% إلى 93.1% للغابة العشوائية، ومن 91.2% إلى 94.3% لـ CNN.
تم إجراء ضبط المعلمات الفائقة بدقة باستخدام GridSearchCV وOptuna، مع التركيز على معلمات مثل معلمة التنظيم “C” لـ SVM، وعمق الشجرة لشجرات القرار، وتكوينات مختلفة لـ XGBoost. كما استخدمت الدراسة تحليل SHAP (SHapley Additive exPlanations) لتحديد الميزات الرئيسية التي تؤثر على توقعات مرض باركنسون، مما يكشف أن المقاييس المتعلقة بالاهتزاز مثل RMS، خطأ نصف القطر الأقصى، والانحراف المعياري كانت من أبرز المؤشرات، بينما كانت المتغيرات الديموغرافية لها تأثير ضئيل. تؤكد النتائج على اعتماد النموذج على مؤشرات الضعف الحركي، مما يظهر فعالية النهج المتكامل في التمييز بين حالات باركنسون والحالات الصحية من خلال الميزات الكمية والمستمدة من الصور.
نتائج
في قسم النتائج، أسفر تحليل منحنى التشغيل الاستقبالي (ROC) لنموذج ESDRCX عن منطقة تحت المنحنى (AUC) تبلغ 0.87، مما يشير إلى قدرة قوية على التمييز بين الفئات الإيجابية (مرض باركنسون) والسلبية (غير المتأثرة). تشير هذه القيمة لـ AUC إلى أن النموذج يحافظ على توازن جيد بين الحساسية (معدل الإيجابيات الحقيقية) ومكمل الخصوصية (معدل الإيجابيات الكاذبة)، مع حدوث منخفض للإيجابيات الكاذبة.
بالإضافة إلى ذلك، يوفر مصفوفة الالتباس تقييمًا مفصلًا لأداء النموذج التنبؤي بناءً على مجموعة تدريب مكونة من 59 عينة. تكشف المصفوفة عن وجود 5 سلبيات حقيقية (TN)، حيث يحدد النموذج بدقة الأفراد الذين لا يعانون من مرض باركنسون، و7 إيجابيات كاذبة (FP)، مما يشير إلى حالات حيث يصنف النموذج الأفراد غير المتأثرين على أنهم مصابون بالمرض. تؤكد هذه التحليلات على فعالية النموذج مع تسليط الضوء على مجالات التحسين المحتملة في دقة التصنيف.
مناقشة
تسلط المناقشة الضوء على فعالية مُقدّر بارزين هيكلي القائم على Optuna (TPE) في تحسين المعلمات الفائقة لمنهجية ESDRCX، مما يعزز قوة النموذج في تشخيص مرض باركنسون (PD). تشير التقييمات التجريبية إلى أن دمج TPE مع تجميع الميتا وXGBoost ضمن إطار عمل ESDRCX يتفوق على الطرق التقليدية، مما يظهر إمكانات كبيرة للتطبيقات السريرية. توضح الورقة هيكلها، مع تفاصيل حول مسح الأدبيات حول تقنيات التعلم الآلي للكشف عن مرض PD، والمنهجية المقترحة التي تشمل المعالجة المسبقة واستراتيجيات التجميع، والتقييمات التجريبية الشاملة التي تقيم أداء النموذج، وقابلية التعميم، والعدالة.
يؤكد مسح الأدبيات على التحديات المتعددة الأوجه التي يطرحها مرض PD والتقدم في نماذج الكشف من خلال اختيار الميزات وطرق التعلم التجميعي. يتم استكشاف نماذج التعلم الآلي المختلفة، بما في ذلك آلات الدعم الناقل (SVM)، والغابة العشوائية، والشبكات العصبية التلافيفية (CNN)، لدورها في تحسين تشخيص مرض PD المبكر. تؤكد الدراسة على أهمية دمج البيانات متعددة الأنماط وتقنيات المعالجة المسبقة المتقدمة لتعزيز دقة النموذج وقابليته للتفسير. علاوة على ذلك، تحدد القيود الحالية في تنوع البيانات وتعميم النموذج، داعية إلى بحوث مستقبلية لتطوير أنظمة كشف مرض PD قابلة للتوسع وقابلة للتفسير. بشكل عام، تسهم النتائج في المشهد المتطور لأدوات تشخيص مرض PD، مما يبرز الحاجة إلى نهج مبتكرة تستفيد من تقنيات التعلم الآلي والتعلم العميق.
DOI: https://doi.org/10.3389/fdgth.2026.1799144
PMID: https://pubmed.ncbi.nlm.nih.gov/41970518
Publication Date: 2026-03-27
Author(s): Annsley Mohan Joseph Raj et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
The research paper presents an innovative approach for the early detection of Parkinson’s disease (PD), which is increasingly prevalent and characterized by the degeneration of dopamine-producing neurons leading to motor function impairments. Current diagnostic techniques, primarily based on clinical assessments and DaTscan imaging, often lack sensitivity in the disease’s early stages. To address this limitation, the authors propose a novel Ensemble Approach (ESDRCX) that combines a meta-ensemble stacking technique with machine learning algorithms, including Decision Tree, Support Vector Machine (SVM), and Random Forest for quantitative data, alongside a Convolutional Neural Network (CNN) for analyzing spiral image inputs. The integration of these methods is further enhanced by XGBoost as the meta-learner, optimized through the Optuna-based Tree-structured Parzen Estimator (TPE).
The ESDRCX model demonstrates impressive performance metrics, achieving an accuracy of 95.7%, precision of 86%, recall of 91%, F1-score of 88.6%, and an AUC of 87% when evaluated with the HandPD dataset. This indicates a significant advancement in the diagnostic capabilities for PD, offering a reliable, interpretable, and computationally efficient framework for early detection. The study underscores the importance of improving early diagnostic methods for PD and sets the stage for future research to refine and validate the proposed machine learning model further.
Introduction
The introduction of the research paper discusses Parkinson’s disease (PD), a neurodegenerative disorder characterized by a significant reduction in dopamine production, leading to both motor and non-motor symptoms. Motor symptoms include tremors, stiffness, and postural instability, while non-motor symptoms encompass cognitive impairments, autonomic dysfunction, and mood disorders. The paper emphasizes the necessity for advanced diagnostic tools that incorporate machine learning (ML) algorithms, particularly through voice pattern analysis, to enhance early detection and management of PD.
The proposed diagnostic system, ESDRCX, utilizes a fusion-based machine learning approach that combines various algorithms, including Decision Tree, SVM, Random Forest, and CNN, to analyze dual input streams: quantified handwriting features and hand-drawn spiral images. This innovative method employs a meta-ensemble stacking technique enhanced by XGBoost with hyperparameter optimization via the Optuna-based TPE framework, achieving an impressive accuracy of 95.7% in PD detection. The study highlights the importance of integrating non-motor symptoms into diagnostic protocols and advocates for a shift towards more comprehensive, data-driven methodologies to improve diagnostic accuracy and understanding of Parkinson’s disease.
Methods
The proposed methodology, termed ESDRCX, integrates meta ensemble stacking with XGBoost and utilizes the HandPD dataset, which comprises hand-drawn spiral images and quantified observations related to Parkinson’s disease. This dual-input approach combines visual and quantitative data to enhance diagnostic accuracy. The methodology involves preprocessing the data, followed by inputting quantified observations into three base models—Support Vector Machine (SVM), Decision Tree, and Random Forest—while the preprocessed images are fed into a Convolutional Neural Network (CNN). The experimental evaluation employed the Tree-structured Parzen Estimator (TPE) with Optuna for hyperparameter tuning, resulting in significant performance improvements across all models, with accuracies rising from 89.1% to 91.8% for SVM, 84.2% to 88.0% for Decision Tree, 90.5% to 93.1% for Random Forest, and 91.2% to 94.3% for CNN.
Hyperparameter tuning was meticulously conducted using GridSearchCV and Optuna, focusing on parameters such as the regularization parameter “C” for SVM, tree depth for Decision Trees, and various configurations for XGBoost. The study also employed SHAP (SHapley Additive exPlanations) analysis to identify key features influencing Parkinson’s disease predictions, revealing that tremor-related metrics like RMS, MAX radius error, and STD_DEVIATION were the most significant predictors, while demographic variables had minimal impact. The findings underscore the model’s reliance on motor impairment indicators, demonstrating the effectiveness of the integrated approach in distinguishing between Parkinson’s and healthy cases through both quantified and image-derived features.
Results
In the results section, the analysis of the Receiver Operating Characteristic (ROC) curve for the ESDRCX model yielded an area under the curve (AUC) of 0.87, indicating a strong ability to differentiate between positive (Parkinson’s disease) and negative (unaffected) classes. This AUC value suggests that the model maintains a favorable balance between sensitivity (true positive rate) and the complement of specificity (false positive rate), with a low incidence of false positives.
Additionally, the confusion matrix provides a detailed evaluation of the model’s predictive performance based on a training set of 59 samples. The matrix reveals that there are 5 True Negatives (TN), where the model accurately identifies individuals without Parkinson’s disease, and 7 False Positives (FP), indicating instances where the model incorrectly classifies unaffected individuals as having the disease. This analysis underscores the model’s effectiveness while highlighting areas for potential improvement in classification accuracy.
Discussion
The discussion highlights the effectiveness of the Optuna-based Tree-structured Parzen Estimator (TPE) in optimizing hyperparameters for the ESDRCX methodology, which enhances model robustness in Parkinson’s disease (PD) diagnosis. Experimental evaluations indicate that the integration of TPE with Meta Ensemble Stacking and XGBoost within the ESDRCX framework outperforms traditional methods, demonstrating significant potential for clinical applications. The paper outlines its structure, detailing a literature survey on machine learning techniques for PD detection, the proposed methodology encompassing preprocessing and ensemble strategies, and comprehensive experimental evaluations that assess model performance, generalizability, and fairness.
The literature survey emphasizes the multifaceted challenges posed by PD and the advancements in detection models through feature selection and ensemble learning methods. Various machine learning models, including Support Vector Machines (SVM), Random Forest, and Convolutional Neural Networks (CNN), are explored for their roles in improving early PD diagnosis. The study underscores the importance of integrating multimodal data and advanced preprocessing techniques to enhance model accuracy and interpretability. Furthermore, it identifies existing limitations in data diversity and model generalization, advocating for future research to develop scalable and explainable PD detection systems. Overall, the findings contribute to the evolving landscape of PD diagnostic tools, emphasizing the need for innovative approaches that leverage machine learning and deep learning methodologies.