神経変性パーキンソン症候群を分類するための機械学習技術の使用の評価 (人工知能) (PARKIA)

パーキンソン病 (PD) の診断は主に患者の臨床観察に依存し、3 つの特徴的な症状を探しますが、依然として困難な場合があります。 機械学習 (ML) アルゴリズムは、PD を早期に診断し、特発性 PD と非定型パーキンソン症候群を区別するのに役立つ可能性があります。

これに関連して、Castillo-Barnes チームの研究は、健康な参加者を識別するために、DaTSCAN® または Ioflupane (ヨウ素 123 標識放射性医薬品) の単光子放出コンピュータ断層撮影 (SPECT) スキャンから抽出された形態学的特徴に基づく一連の画像特徴を提供しました。 「パーキンソン病進行マーカー イニシアチブ」(PPMI) データベースからのバランスのとれた SPECT セットにおけるパーキンソン病の参加者からのデータ。

Shabiiらのチームは、イオフルパン（123I-IP）単光子放出コンピュータ断層撮影法（SPECT）によってドーパミントランスポーター（DAT）に関して得られた半定量的指標と形状特徴を利用した場合の、パーキンソン病患者と正常対照者の分類性能を評価した。機械学習 (ML) 機能として組み合わされています。

AI ベースの方法により、診断評価を向上させることができます。 AI を使用したいくつかのドーパミン作動性画像研究では、PD の診断に関して最大​​ 90% の精度が報告されています。

これらの自動化されたアプローチは、テクスチャー分析に基づく機械学習手法を使用して、(i) PD と健康な被験者を区別し、(ii) PD と血管性パーキンソニズムを区別し、(iii) さまざまな形態の非定型パーキンソニズムを区別します。

線形サポート ベクター マシン (SVM) モデルを使用して 2 つのセンターで実施された研究では、PD 患者と健常者を 82.5% の精度で識別しました。このパフォーマンスは、核内科医による視覚的評価と同様です。統計的ボクセル値に基づく線形 SVM モデルパラメトリック画像は 90.4% の精度で PD と血管性パーキンソニズムを区別することができました。 Nancy チームは、Ioflupane または DaTSCAN™ を使用した SPECT および SPECT/CT スキャンにおける PD の検出において豊富な経験を持っています。