基于长短期记忆网络实现亚临床震颤的精准鉴别

研究人员利用长短期记忆网络（LSTM）研究亚临床震颤鉴别，准确率达 93%-95%，助力临床诊断。

　　在医学领域，帕金森病（Parkinson’s disease，PD）和特发性震颤（Essential tremor，ET）是常见的成人进行性神经运动障碍疾病。全球超 1000 万人受其困扰，它们都以震颤为主要症状。然而，仅靠震颤特征难以区分二者，因为 PD 和 ET 在震颤激活条件（静止或动作震颤）、频率和对称性（单侧或双侧）等方面存在很大异质性，比如部分 PD 患者的姿势性震颤与 ET 患者相似，这让临床诊断变得困难重重。而且，亚临床震颤（振幅低，不易察觉）的存在更是加剧了诊断难度，约 30% 的 PD 患者仅有亚临床震颤，但目前对这类震颤的研究少之又少。

为了解决这些问题，来自马来西亚莫纳什大学（Monash University Malaysia）的研究人员展开了一项研究，相关成果发表在《Physical and Engineering Sciences in Medicine》上。该研究旨在开发一种深度学习模型，利用长短期记忆网络（Long Short-Term Memory Networks，LSTM）来区分由 PD、ET 引起的亚临床震颤以及正常的生理性震颤。

研究人员采用了多种关键技术方法。首先，在数据采集方面，经医学研究伦理委员会批准，从 51 名 PD 患者、15 名 ET 患者和 58 名健康对照者的手部和手臂，通过微电子机械系统姿态和航向参考系统（AHRSs）收集震颤数据，且仅处理四元数形式的方向数据以避免重力伪影影响。接着，依据医生对震颤的评级和特定公式筛选出亚临床震颤数据，仅保留静止震颤数据。然后，对数据进行处理，将方向数据转换为位移，采用分段三次埃尔米特插值处理丢失数据，用带通滤波器过滤数据，并将数据截断为 13s 的标准时长。在特征选择上，运用短时傅里叶变换（STFT）处理震颤信号，将标准化后的幅度分量作为分类算法的输入特征。最后，使用 LSTM 网络作为分类器，利用 Optuna 框架优化网络架构和超参数，通过多次训练、验证和测试评估模型性能，并与现有方法对比。

研究结果主要分为两部分。第一部分是区分 PD 和 ET 引起的亚临床震颤。研究人员训练并验证 LSTM 网络，5 折交叉验证结果显示，训练准确率在 90.5%-100% 之间，验证准确率在 94.7%-100% 之间，测试准确率达到 95%。与卷积 LSTM 方法相比，该模型在各项性能指标上表现更优，如灵敏度达到 100% ，而卷积 LSTM 仅为 60% 。第二部分是区分 PD、ET 和正常生理性震颤。添加新输出类后训练网络，训练准确率在 77.9%-91.2% 之间，平均为 85.9%；验证准确率平均为 91.8%；测试准确率在 90%-93.3% 之间。在这个实验中，该模型的准确率为 93.3% ，远高于卷积 LSTM 的 43.3% 。在检测 ET 和 PD 震颤方面，该模型精度、特异性完美，误报率为 0，灵敏度和 F1 评分也较高；在分类正常病例时，灵敏度和阴性预测值完美，但精度略低。

在研究结论和讨论部分，研究人员指出，该研究提出的方法在分类亚临床震颤方面表现出色，分类准确率高且计算成本低。与之前的研究相比，在分类低振幅震颤时优势明显。不过，研究也存在局限性，如数据量有限，人口统计学多样性不足，仅考虑了静止震颤等。未来研究可收集更多样化的数据，纳入更多姿势的震颤数据，进一步提高和验证模型，使其更具临床实用性。总体而言，这项研究展示了 LSTM 网络在鉴别亚临床震颤方面的可行性，有望帮助临床医生更准确地诊断 PD 和 ET，尤其是在症状不明显或诊断复杂的情况下，对提高诊断准确性和指导治疗决策具有重要意义。