Machine-Learning Modeling of DARWIN Handwriting Features for Alzheimer’s Disease Classification: A Secondary Analysis
Diese Sekundäranalyse des DARWIN-Datensatzes zeigt, dass ein maschinelles Lernmodell unter Verwendung einer reduzierten Teilmenge von 10 Handschriftaufgaben eine Klassifizierungsgenauigkeit für die Alzheimer-Krankheit erreicht, die mit dem vollständigen 25-Aufgaben-Satz vergleichbar ist, was darauf hindeutet, dass kürzere, gedächtnisfokussierte Beurteilungen das Screening effektiv rationalisieren könnten, ohne die Leistung zu beeinträchtigen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein Rätsel zu lösen, aber anstatt nach Fingerabdrücken oder Fußspuren zu suchen, sucht er nach Hinweisen, die in der Art und Weise verborgen sind, wie jemand schreibt. Dieses wissenschaftliche Feld wird Handschriftenanalyse genannt, und es entwickelt sich zu einem heißen Thema für die Früherkennung der Alzheimer-Krankheit. Sehen Sie, Schreiben ist nicht nur ein mechanischer Akt der Bewegung eines Stifts; es ist ein komplexer Tanz zwischen dem Gedächtnis Ihres Gehirns, Ihren Planungsfähigkeiten und den Muskeln Ihrer Hand. Wenn das Gehirn beginnt, mit Alzheimer zu kämpfen, wird dieser Tanz ein wenig unbeholfen. Wissenschaftler verwenden spezielle digitale Tablets, um jede noch so kleine Bewegung, jeden Druck und jede Pause aufzuzeichnen, die eine Person beim Schreiben macht, und verwandeln so ihre Handschrift in eine riesige Wolke aus Datenpunkten. Die große Frage, die Forscher stellen, laxt: Müssen wir jemandem beim Schreiben für lange Zeit zusehen, um diese Hinweise zu finden, oder können wir die Warnsignale in nur wenigen schnellen Kritzeleien entdecken? Einen schnellen, günstigen und einfachen Weg zu finden, um diese Krankheit zu untersuchen, ist entscheidend, da das frühe Erkennen Ärzten die beste Chance gibt, zu helfen.
Schauen wir uns nun die Geschichte an, die diese Arbeit erzählt. Die Forscher beschlossen, eine einfache Idee zu testen: Könnten sie einen sehr langen Handschriftentest auf einen winzigen Test schrumpfen, ohne dabei die Detektivarbeit zu verlieren? Sie verwendeten einen berühmten Datensatz namens DARWIN, der die Handschriften von 174 Personen enthält – 89 mit Alzheimer und 85 gesunde Kontrollpersonen. Jede Person hatte einen Marathon von 25 verschiedenen Schreibaufgaben absolviert, die von der Zeichnung einfacher Formen bis hin zum Kopieren von Wörtern und dem Aufschreiben einer Telefonnummer aus dem Gedächtnis reichten. Insgesamt entstand daraus ein Berg von 450 verschiedenen Datenmerkmalen (wie etwa wie lange der Stift in der Luft schwebte oder wie fest sie aufdrückten).
Das Team fragte sich: „Wenn wir nur auf eine kleine Handvoll dieser Aufgaben schauen würden, würden wir die Krankheit dann immer noch erfassen?“ Um dies herauszufinden, setzten sie drei verschiedene „schlaue“ Computerprogramme (Maschinelles Lernen-Modelle) ein, die als ihre Detektive fungieren sollten. Sie versuchten herauszufinden, welche Aufgaben am wichtigsten waren. Stellen Sie sich vor, Sie haben eine Tasche mit 25 verschiedenen Schlüsseln und wissen, dass nur wenige davon die Schatzkiste öffnen. Die Forscher probierten drei verschiedene Methoden aus, um die richtigen Schlüssel zu finden: Eine Methode (RFE) behielt die schlechtesten Schlüssel immer wieder weg, bis nur noch die besten übrig blieben; eine andere (LASSO) wog jeden Schlüssel ab, um zu sehen, welcher am schwersten war; und eine dritte (Mutual Information) prüfte, welche Schlüssel die meisten Geheimnisse mit dem Krankheitsmerkmal teilten.
Hier kommt die Wendung: Während sich die drei Methoden darüber uneinig waren, welche spezifischen Datenpunkte (wie etwa der „Druck in der 15. Sekunde“) die Gewinner waren, waren sie sich alle einig darüber, welche Aufgaben die Stars der Show waren. Sie fanden heraus, dass die einfachen Aufgaben, wie das Zeichnen von Kreisen oder das Verbinden von Punkten (Aufgaben 1 bis 7), tatsächlich am wenigsten hilfreich waren. Die wahren Hinweise verbargen sich in den schwierigeren Aufgaben, die Gedächtnis und Zuhören erforderten, wie das Aufschreiben einer Telefonnummer nach Diktat (Aufgabe 23) oder das Aufschreiben eines Satzes aus dem Gedächtnis (Aufgabe 19).
Die große Entdeckung? Die Forscher fanden heraus, dass sie den Test auf nur 10 spezifische Aufgaben reduzieren konnten und fast dieselben Ergebnisse erzielten wie der vollständige 25-Aufgaben-Marathon. Als sie diesen „10-Aufgaben-Shortcut“ mit einem Random Forest-Computermodell testeten, erreichte es eine Genauigkeit von 89,14 % (mit einem Konfidenzintervall von 87,33 % bis 90,95 %). Der vollständige 25-Aufgaben-Test erreichte 88,95 %. Der Unterschied war so gering, dass ein statistischer Test ergab, dass sie im Wesentlichen dieselben sind. Tatsächlich war die 10-Aufgaben-Version sogar etwas besser als eine andere Methode, die versuchte, nur 25 einzelne Datenpunkte aus dem gesamten Stapel auszuwählen.
Die Arbeit legt nahe, dass man, indem man sich auf die richtigen 10 Aufgaben konzentriert – nämlich die Aufgaben 19, 23, 9, 25, 15, 24, 22, 17, 2 und 10 – 60 % weniger Aufgaben benötigt, um die gleiche diagnostische Kraft zu erhalten. Dies ist ein großer Gewinn, denn es bedeutet, dass ein Arzt einen Patienten potenziell in einem Bruchteil der Zeit untersuchen könnte. Die Autoren weisen jedoch vorsichtig darauf hin, dass dies eine „Sekundäranalyse“ ist, was bedeutet, dass sie Daten untersuchen, die bereits existieren. Sie haben diesen Shortcut noch nicht an einer ganz neuen Gruppe von Menschen getestet. Daher sind die Ergebnisse zwar sehr vielversprechend und legen nahe, dass ein kürzerer Test innerhalb dieser spezifischen Gruppe genauso gut funktioniert, doch der endgültige Beweis wird erst erbracht werden, wenn sie ihn in der Zukunft an einem völlig neuen Satz von Patienten testen. Für den Moment deutet die Arbeit darauf an, dass der Kampf des Gehirns mit Gedächtnis und Planung einen viel lauteren Fingerabdruck hinterlässt als die einfache motorische Kontrolle, und dass wir vielleicht nicht sehr lange jemandem beim Schreiben zusehen müssen, um ihn zu hören.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.