Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightElde edilen sonuçlar, özellikle MobileViT ve EfficientViT modellerinin MRI tabanlı Parkinson hastalığı sınıflandırmasında umut verici performans sergilediğini göstermektedir.
📌 3 Maddede Bu Makale
Özet
Parkinson hastalığı, özellikle erken evrelerde belirtilerinin belirgin olmaması nedeniyle tanısı zorlaşabilen önemli nörolojik hastalıklardan biridir. Bu nedenle, hastalığın erken ve doğru şekilde tespit edilebilmesi için bilgisayar destekli yöntemlere olan ilgi giderek artmaktadır. Bu çalışmada beyin manyetik rezonans görüntüleri (MRI) kullanılarak Parkinson hastalığının tespiti amacıyla dört farklı derin öğrenme modeli karşılaştırmalı olarak değerlendirilmiştir. Çalışmada Temel CNN, EfficientViT, DeiT ve MobileViT mimarileri aynı veri kümesi ve ortak eğitim ayarları altında değerlendirilmiştir. Modeller, doğruluk, ağırlıklı F1 skoru, duyarlılık, özgüllük, parametre sayısı, eğitim süresi, çıkarım süresi ve FPS performans metrikleri ile değerlendirilmiştir. Sabit test bölmesinde MobileViT modeli doğruluk, ağırlıklı F1, duyarlılık ve özgüllük metriklerinde 1,0000 değerine ulaşırken, EfficientViT modeli 0,992 doğruluk, 3,35 ms/görüntü çıkarım süresi ve 298,21 FPS ile en iyi hız-performans dengesini sağlamıştır. MobileViT modelinin farklı veri bölmelerindeki performansı ayrıca beş katlı tabakalı çapraz doğrulama ile incelenmiş ve temel performans metriklerinde 1,0000 ± 0,0000 sonucu elde edilmiştir. Elde edilen sonuçlar, özellikle MobileViT ve EfficientViT modellerinin MRI tabanlı Parkinson hastalığı sınıflandırmasında umut verici performans sergilediğini göstermektedir. Bununla birlikte, bu modellerin klinik karar destek sistemlerinde değerlendirilebilmesi için daha geniş, hasta bazlı ve çok merkezli veri kümelerinde doğrulanması ve ileri klinik değerlendirmelerden geçirilmesi gerekmektedir.
Abstract
Parkinson’s disease is an important neurological disorder whose diagnosis can be challenging, especially in the early stages, due to the lack of pronounced symptoms. Therefore, interest in computer-assisted methods for early and accurate disease detection has been increasing. In this study, four deep learning models were comparatively evaluated for the detection of Parkinson’s disease using brain magnetic resonance images (MRI). Specifically, the Baseline CNN, EfficientViT, DeiT, and MobileViT architectures were evaluated using the same dataset and common training settings. Models were evaluated using accuracy, weighted F1 score, sensitivity, specificity, number of parameters, training time, inference time, and FPS performance metrics. On the fixed test set, the MobileViT model achieved a value of 1.0000 in accuracy, weighted F1, sensitivity, and specificity metrics, while the EfficientViT model provided the best speed-performance balance with 0.992 accuracy, 3.35 ms/image inference time, and 298.21 FPS. The performance of the MobileViT model across different data splits was also examined using five-fold stratified cross-validation, yielding a result of 1.0000 ± 0.0000 in key performance metrics. The results indicate that MobileViT and EfficientViT show promising performance for MRI-based Parkinson’s disease classification. However, validation on larger, patient-level, multicenter datasets and further clinical evaluation are required before these models can be considered for use in clinical decision-support systems.