Vocal Biomarkers: Deep Learning übertrifft klassische ML bei Parkinson‑Diagnose

Eine neue Studie zeigt, dass Deep Neural Networks (DNNs) die Erkennung von Parkinson‑Krankheit anhand von Sprachsignalen deutlich verbessern können. Durch die Analyse von Mel‑Frequency Cepstral Coefficients (MFCCs) aus zwei öffentlich verfügbaren Sprachdatensätzen konnte ein DNN mit einer durchschnittlichen Genauigkeit von 98,65 % im italienischen Voice‑Dataset und 92,11 % im Parkinson’s Telemonitoring Dataset die Leistung traditioneller Machine‑Learning‑Modelle übertreffen.

Die Forscher führten 1 000 unabhängige Validierungsexperimente durch, um die Robustheit der Modelle zu prüfen. Da die Daten nicht normalverteilt waren, setzten sie nichtparametrische Tests wie Kruskal‑Wallis und Bonferroni‑Post‑hoc ein, um die Unterschiede zwischen den Klassifikationsmodellen zu bewerten. Das Ergebnis: Der DNN zeigte nicht nur höhere Genauigkeit, sondern auch eine bessere Effizienz im Vergleich zu klassischen Algorithmen.

Diese Erkenntnisse unterstreichen das Potenzial von Sprachbiomarkern als kostengünstige, nichtinvasive und leicht zugängliche Methode zur frühzeitigen Diagnose von Parkinson. Die Ergebnisse stehen im Einklang mit anderen relevanten Studien und legen nahe, dass Deep‑Learning‑Ansätze künftig eine zentrale Rolle in der klinischen Praxis spielen könnten.