Novi AI Test Otkriva Parkinson Preko Rukopisa — Tačnost Do 99%

Način na koji crtate jednostavnu spiralu ili cik-cak (meander) može sadržati suptilne signale koji ukazuju na Parkinsonovu bolest — često nevidljive golim okom. Tim istraživača iz Indije razvio je multimodalni sistem zasnovan na veštačkoj inteligenciji koji kombinuje slike crteža i precizne vremenske podatke iz biometrijske olovke kako bi razlikovao osobe sa Parkinsonovom bolešću od zdravih učesnika.

Istraživanje, koje su preneli ScienceAlert i objavili u časopisu Discover Computing, zasnovano je na skupu podataka od 66 učesnika (31 osoba sa Parkinsonom i 35 zdravih kontrola). Učesnici su pomoću pametne biometrijske olovke crtali spirale i meandre — pri čemu je uređaj beležio gotove crteže i detaljne informacije o motornim parametrima: pritisak olovke, nagib, način držanja i akceleraciju.

Istraživači su slike i senzorske zapise prosledili kroz više mašinskih i dubokih modela učenja, a rezultate su spojili optimizacionom metodom nazvanom SNAKE. Ta kombinacija prostorne (slika) i temporalne (senzori) informacije omogućila je otkrivanje finih odstupanja u kontrolisanju pokreta koja prati Parkinsonovu bolest.

"Slike rukopisa daju prostorne karakteristike nepravilnosti poteza, tremorski izazvanih deformacija i odstupanja u obliku. Nasuprot tome, senzorski signali beleže temporalno motoričko ponašanje, uključujući fluktuacije brzine, nepravilnosti pritiska i gubitke koordinacije," navode autori.

Prema izveštaju, multimodalni sistem je postigao izuzetne rezultate: klasifikacija po meander obrascima je imala tačnost 98,95%, po spiralnim obrascima 97,74%, a autori navode da su pojedini modeli dostizali i do 99% tačnosti. Ipak, autori upozoravaju da ovakvi rezultati potiču iz male i homogeno sastavljene grupe učesnika.

Ograničenja i perspektiva

Važno je naglasiti da tehnologija trenutno ne može zameniti klinički neurologški pregled niti služiti kao jedini dijagnostički test. Studija je obuhvatila samo 66 učesnika, a demografski podaci i varijabilnost stanja (npr. stepen bolesti, terapija, prateći poremećaji) nisu dovoljno široko zastupljeni. Potrebne su veće, raznovrsnije i prospektivne kliničke studije da bi se procenila stvarna korisnost u populaciji i otpornost sistema na različite uslove snimanja.

Ako se rezultati potvrde u većim ispitivanjima, AI-podržana analiza rukopisa može postati jeftin, neinvazivan i pogodan za udaljeni skrining — korisna kao preliminarni alat za identifikaciju osoba koje zaslužuju dalju neurološku procenu.

Zaključak

Studija ilustruje potencijal veštačke inteligencije u ranom otkrivanju neuroloških poremećaja i podstiče dalja istraživanja. Međutim, pre nego što ovakve metode uđu u kliničku praksu, neophodna su veća testiranja i neprekidna procena etičkih i praktičnih implikacija njihove primene.