Хворобу Паркінсона система штучного інтелекту змогла розпізнавати за малюнками спіралей і меандрів із точністю до 98,95%. Як повідомляє редакція сайту UAHunter з посиланням на ScienceAlert, метод розробила група дослідників з Індії. Вони поєднали аналіз самого малюнка з даними біометричної смарт-ручки, яка фіксувала особливості рухів руки.
Результати опублікували 22 серпня 2026 року в науковому журналі Discover Computing. Автори дослідження — Ішан Аюс, Бісваджит Джена та Чандрашекхар Азад. На наборі даних NewHandPD їхня мультимодальна система показала 98,95% точності для меандрів і 97,74% для спіралей. Водночас дослідження проводили на даних лише 66 учасників, тому автори передбачають подальшу клінічну перевірку методу на більших вибірках.
Наукове дослідження в Discover Computing
Як ШІ визначав хворобу Паркінсона за малюнками
Дослідники використали відкритий набір даних NewHandPD. Його сформували в медичній школі Ботукату при Державному університеті Сан-Паулу в Бразилії. До бази увійшли дані 66 людей. Серед них 31 учасник мав хворобу Паркінсона, ще 35 становили здорову контрольну групу.
Під час збору даних учасники виконували два типи завдань. Вони малювали спіралі та меандри — безперервні ламані візерунки з повторюваними змінами напрямку.
Однак система аналізувала не лише кінцеве зображення.
Біометрична ручка паралельно записувала динамічні характеристики рухів. Зокрема, дослідники отримували дані про:
- положення ручки, тиск і силу захвату;
- нахил та прискорення вздовж різних осей;
- зміни руху під час виконання завдання.
Саме поєднання зображення та рухових сигналів стало ключовою частиною нової системи.
Хвороба Паркінсона впливає на дрібну моторику. Серед характерних моторних проявів дослідники називають тремор, уповільнення рухів, порушення координації та нестабільність тиску на ручку. Такі зміни можуть проявлятися під час письма або малювання.
«Рукописні зображення містять просторові характеристики нерівностей штрихів, спотворень через тремор і відхилень форми», — зазначили автори дослідження, описуючи принцип роботи системи.
При цьому дані сенсорів показували інший шар інформації. Вони відображали не форму малюнка, а сам процес руху руки.
«Сигнали почерку з датчиків фіксують часову моторну поведінку, включно з коливаннями швидкості, нестабільністю тиску та дефіцитом координації», — пояснили дослідники.
Таким чином, алгоритм отримував одразу два набори ознак: просторові та часові.
Які нейромережі використовували дослідники
Для аналізу зображень команда протестувала кілька архітектур глибокого навчання. Серед них були CNN, ResNet101, ResNeXt101, DenseNet169, EfficientNet, Vision Transformer, Swin Transformer, DaViT та ConvNeXtV2.
Для часових сигналів смарт-ручки застосовували інші моделі. Зокрема, дослідники використовували BiLSTM, BiGRU та гібридну архітектуру Conv1D–BiGRU.
Найкращою моделлю для аналізу зображень стала DaViT. Для динамічних сигналів найкращий результат показала Conv1D–BiGRU.
Далі параметри нейромереж оптимізували за допомогою алгоритму SNAKE — Snake Optimisation. Це метаевристичний метод, який у цьому дослідженні застосовували для налаштування таких параметрів, як швидкість навчання, розмір пакета даних, кількість прихованих елементів, розмір ядра та рівень dropout.
Після цього результати моделей об’єднували.
Система використовувала зважене рішення: модель, яка демонструвала вищу точність, отримувала більшу вагу під час фінальної класифікації. Саме так алгоритм визначав, до якої групи належить конкретний запис — до пацієнтів із хворобою Паркінсона чи до здорової контрольної групи.
Точність для меандрів виявилася вищою
Найкращий результат система показала під час аналізу меандрів.
Для цього завдання мультимодальна модель досягла 98,95% точності. F1-показник становив 98,11%, а G-mean — 98,13%.
Для спіралей точність становила близько 97,74%. У висновках наукової роботи автори наводять значення 97,73% після мультимодального об’єднання.
Різницю дослідники пов’язують з особливостями самих завдань. Меандр містить багато різких змін напрямку. Тому він може краще демонструвати порушення стабільності руху, контролю захвату та координації.
Натомість спіраль вимагає безперервної координації, контролю кривизни та руху в кількох напрямках.
Автори вважають обидва завдання взаємодоповнювальними, оскільки вони фіксують різні компоненти дрібної моторики.
Для перевірки системи використовували метод Leave-One-Subject-Out Cross-Validation. У кожному циклі дані одного учасника повністю залишали для тестування, а записи інших 65 використовували для навчання.
Процедуру повторили 66 разів. Отже, кожен учасник один раз виступав незалежним тестовим випадком.
Цей підхід також означав, що записи однієї людини не могли одночасно опинитися і в навчальній, і в тестовій вибірці.
Чому малювання може містити ознаки Паркінсона
Хвороба Паркінсона — прогресуюче нейродегенеративне захворювання. Вона пов’язана, зокрема, з моторними порушеннями. До характерних ознак належать брадикінезія, тремор і ригідність.
Саме тому письмо та малювання давно розглядають як потенційне джерело цифрових біомаркерів.
Під час руху ручки можна оцінювати не лише те, наскільки рівною вийшла лінія. Цифрові пристрої дозволяють одночасно вимірювати тиск, швидкість, прискорення, нахил і координацію.
У новому дослідженні цей підхід доповнили глибокими нейромережами.
Так, для меандрів окрема модель DaViT, яка аналізувала лише зображення, показала приблизно 97,37% точності. Модель Conv1D–BiGRU на сигналах ручки дала 96,34%. Після об’єднання двох типів інформації показник зріс до 98,95%.
Для спіралі ефект об’єднання був меншим. Найкраща сигналова модель та мультимодальна система досягли приблизно однакового результату — 97,73–97,74%.
Яке значення має результат для діагностики Паркінсона
Сьогодні хворобу Паркінсона визначають передусім клінічно. Лікар оцінює історію захворювання, симптоми та результати неврологічного огляду. Одного лабораторного або інструментального тесту, який самостійно підтверджував би діагноз у всіх випадках, немає.
Як діагностують хворобу Паркінсона — Parkinson’s Foundation
Додаткові дослідження, включно з МРТ, аналізами крові або скануванням транспортера дофаміну, можуть застосовувати для підтримки діагностики чи виключення інших станів. Однак основою залишається клінічне оцінювання.
На цьому тлі аналіз почерку розглядають як потенційний неінвазивний цифровий біомаркер.
«Запропонована система може стати основою майбутніх систем підтримки клінічних рішень і платформ дистанційного неврологічного скринінгу після подальшої клінічної валідації», — йдеться у висновках наукової роботи.
Автори також вказують на можливість створення недорогого та дистанційно доступного інструменту скринінгу. Для цього, однак, систему мають перевірити в подальших клінічних дослідженнях.
Головне про дослідження
- У дослідженні використали дані 66 людей: 31 пацієнта з хворобою Паркінсона та 35 здорових учасників.
- ШІ аналізував одночасно малюнки спіралей і меандрів та сигнали біометричної ручки.
- Найкращий результат становив 98,95% точності для меандрів і близько 97,74% для спіралей.
Водночас автори прямо називають невеликий розмір набору даних одним з обмежень роботи. За їхніми висновками, вибірка не відображає всю клінічну різноманітність хвороби Паркінсона у великих популяціях.
Тому наступним етапом має стати перевірка системи на більших та різноманітніших групах пацієнтів.
Нинішній результат показує можливість використання одночасно форми малюнка та цифрових характеристик руху руки як джерела даних для автоматизованого скринінгу.
Наукову роботу опублікували у Discover Computing, а матеріал про результати 29 серпня оприлюднило видання ScienceAlert.
Читайте також: Пошкодження майна після вибухової хвилі: які фото й документи зібрати для компенсації
