VOLYM 29, NUMMER 3 • SEPTEMBER 2025.
Djupinlärningsbaserad artificiell intelligensalgoritm för att klassificera skakningar från handritade spiraler
I denna studie utvecklade och validerade vi en artificiell intelligens-baserad algoritm baserad på djupinlärning (DL) som kan klassificera vanliga tremorsyndrom med hjälp av handritade spiralbilder ritade med penna på papper. Trots framsteg inom neurofysiologi och bärbara teknologier förblir diagnosen av tremorsyndrom främst klinisk och subjektiv, och saknar ofta objektiva biomarkörer. Vi syftade till att åtgärda denna brist genom att utforma ett skalbart, icke-invasivt diagnostiskt verktyg baserat på datorseende och AI.
Vi rekryterade prospektivt 521 deltagare, inklusive patienter med dystonisk tremor (DT), essentiell tremor (ET), essentiell tremor plus (ETP), Parkinsons sjukdom (PD), cerebellär ataxi (AT) och friska frivilliga (HV), från All India Institute of Medical Sciences (AIIMS) i New Delhi. Deltagarna lämnade totalt 2 078 spiralteckningar, vilka digitaliserades och användes för att träna en DL-klassificerare baserad på InceptionResNetV2-arkitekturen med transfer learning, implementerad via en Keras sekventiell modell. Rigorös dataaukmentering, stratifierad sampling och översampling användes för att förbättra generaliserbarheten och mildra klassobalans.
Modellen uppnådde en initial multiklassificeringsnoggrannhet på 81 % i utvecklingskohorten, med särskilt hög prestanda för att identifiera PD, AT och HV. För att hantera problem relaterade till dataläckage och digitala fingeravtryck omstrukturerade vi datamängden och omutvecklade modellen med hjälp av gruppering på patientnivå. Den omdesignade modellen uppnådde en robust noggrannhet på 70 %.
För extern validering testade vi modellen på en oberoende kohort av 1 535 spiralritningar, där den bibehöll en noggrannhet på 59–61 %, vilket överträffade utbildade mänskliga bedömare (genomsnittlig noggrannhet: 46 %) som ombads att klassificera spiraler utan klinisk kontext. Det är värt att notera att modellen uppvisade överlägsen urskiljning mellan kategorier och större tillförlitlighet än visuella expertbedömningar, särskilt för PD och HV.
Våra resultat bekräftar att handritade spiraler – ett lättanvändbart kliniskt verktyg – innehåller rika, kvantifierbara funktioner som kan utnyttjas av DL-modeller för diagnostisk klassificering. Modellens begränsningar i klassificeringen av ET och ETP understryker den fenotypiska överlappningen mellan dessa kategorier, vilket stämmer överens med nya bevis som ifrågasätter deras biologiska särskiljningsförmåga. Studien belyser också värdet av extern validering för att säkerställa verklig tillämpbarhet.
Detta arbete representerar en av de största AI-baserade studierna inom tremorklassificering med hjälp av pappersspiraler och visar möjligheten att använda datafel för korrekt, objektiv och skalbar tremordiagnostik. Vår metod är lovande för integration i telemedicinska arbetsflöden, epidemiologisk screening och AI-assisterade kliniska beslutsstödssystem.
Läs mer Flytta med: