针对帕金森病（PD）分类的、基于改进图神经网络（Modified Graph Neural Network）的优化模型

《Scientific Reports》：Modified graph neural network-oriented optimization model for the classification of PD

　　

摘要

帕金森病（PD）的分类方法旨在自动区分健康个体和患病个体，并识别疾病的阶段或亚型。这些方法利用可穿戴传感器、MRI、DaTscan和临床评估的数据实现早期检测和个性化治疗。然而，由于许多疾病的症状相似，疾病进展具有不确定性，标记的数据集较少，且多模态信息多样化，因此仍存在挑战。此外，有时难以识别早期的轻微症状。为了在各种患者群体中提供准确且具有治疗意义的结果，开发稳健的分类方法需要有效的特征提取、数据整合和泛化流程。因此，本文提出了一种基于深度学习方法的帕金森病分类（CPD）模型。该数据集最初来自名为“帕金森病分类基准（PDCB）”的标准数据集。收集到的数据经过多模态数据对齐和标准化处理。然后使用“移位窗口UNETR（Swin UNETR）”方法对这些预处理后的数据进行分割。接下来，利用“短时傅里叶变换（STFT）”方法从分割后的数据中提取特征。提取的特征通过新颖的“改进图神经网络（MGNN）”进入最终的分类过程。传统GNN中的参数调整采用了一种受自然界启发的优化算法——Fossa优化算法（FOA）来完成。本文提出的CPD模型的目标函数是最大化准确率。该MGNN-FOA模型将最终结果分为四类：健康对照组、早期阶段、中期阶段和晚期阶段。与其他传统模型相比，该模型在准确率和召回率方面分别提高了12.52%和12.68%。