Explainable Artificial Intelligence for Parkinson’s disease diagnosis model

Abstract

Parkinson's disease is characterised by the presence of motor and non-motor symptoms within a complex diagnosis prone to errors. To support this process, Machine Learning models have been developed to distinguish Parkinson's patients from other pathologies with similar symptoms. The model under study uses movement data to detect motor symptoms and questionnaire data to identify non-motor symptoms. These developments enable clinical decision support; however, due to their complexity, interpreting the results can be challenging, which is a crucial factor for doctors and clinicians. This work focused on applying explainable artificial intelligence techniques, specifically, Shapley additive explanations. The results indicate that the most important non-motor symptoms for the model are loss or alteration of the ability to taste or smell, urinary dysfunction, loss of interest, and drooling during the day. Local analysis helped identify patterns in incorrect classifications, especially for patients with Parkinson's disease, while the heterogeneity of the group with different diseases made this analysis challenging. For the model with movement data, no results were obtained due to heterogeneity in feature preprocessing across folds and models.

A doença de Parkinson caracteriza-se pela presença de sintomas motores e não motores, sendo o seu diagnóstico complexo e suscetível a erros. De forma a apoiar este processo, têm sido desenvolvidos modelos de Machine Learning, que permitem distinguir doentes com Parkinson de outras patologias com sintomas semelhantes. O modelo em estudo utiliza dados de movimento para a deteção de sintomas motores e dados de um questionário para a deteção de sintomas não motores. Devido à sua complexidade, acrescem problemas de interpretabilidade nas previsões obtidas pelo modelo, sendo este um fator crucial para médicos e clínicos. O presente trabalho incidiu na aplicação de técnicas de inteligência artificial explicável, mais precisamente, Shapley additive explanations. Os resultados obtidos indicam que os sintomas não motores mais importantes para o modelo são a perda ou alteração da capacidade de saborear ou cheirar, disfunção urinária, perda de interesse e baba durante o dia. A análise local permitiu identificar padrões nas classificações incorretas, especialmente para doentes com Parkinson, enquanto a heterogeneidade do grupo com doenças diversas dificultou esta análise. Para o modelo com os dados do movimento, não foram obtidos resultados devido à heterogeneidade do pré-processamento de features entre folds e modelos.