Ανίχνευση της νόσου Πάρκινσον με χρήση μηχανικής μάθησης μέσω φωνητικών χαρακτηριστικών

Abstract

Η μηχανική μάθηση (Machine Learning - ML) αποτελεί έναν από τους πλέον ανερχόμενους κλάδους της τεχνητής νοημοσύνης και έχει ήδη αποδειχθεί ότι είναι ένα από τα ισχυρότερα εργαλεία της ανάλυσης μεγάλων δεδομένων και της ανάπτυξης μοντέλων πρόβλεψης. Ειδικότερα, στον χώρο της ιατρικής, η μηχανική μάθηση έχει ανοίξει νέους δρόμους για τη διάγνωση, την πρόβλεψη και την εξατομικευμένη θεραπεία, προσφέροντας λύσεις που πλησιάζουν και ξεπερνούν σε αρκετές περιπτώσεις τις παραδοσιακές προσεγγίσεις.

Η παρούσα εργασία επικεντρώνεται στην ανάπτυξη και αξιολόγηση αλγορίθμων μηχανικής μάθησης με σκοπό την ανίχνευση της νόσου Πάρκινσον, μέσω της ανάλυσης των φωνητικών δεδομένων. Πιο συγκεκριμένα, χρησιμοποιείται η φωνή ως βιοδείκτης, καθώς η νόσος φαίνεται να προκαλεί αλλοιώσεις σε αυτή. Κάνοντας χρήση αλγορίθμων μηχανικής μάθησης, όπως οι μηχανές διανυσμάτων υποστήριξης (SVM), τα τυχαία δάση, η λογιστική παλινδρόμηση, ο αλγόριθμος XGBoost και τα δέντρα απόφασης, επιτεύχθηκαν υψηλές τιμές ακρίβειας στη πρόβλεψη, αναδεικνύοντας την αξία της μηχανικής μάθησης στην ανίχνευση νευροεκφυλιστικών διαταραχών.

Επιπλέον, αναπτύχθηκε μια εφαρμογή χρησιμοποιώντας το Flask, η οποία ενσωματώνει το προεκπαιδευμένο μοντέλο, τη φωνητική ανάλυση μέσω της οποίας εξάγονται κρίσιμα χαρακτηριστικά και ένα web interface, όπου τελικά επιτρέπει στους χρήστες να ανεβάζουν φωνητικά δείγματα και να λαμβάνουν άμεση πρόβλεψη, σχετικά με την παρουσία της νόσου Πάρκινσον.