基于多数投票集成迁移学习的帕金森病早期诊断框架ParkEnNET研究

　　来自印度Jammu超级专科医院的研究人员开发了ParkEnNET框架，通过集成迁移学习（VGGNet、ResNet-50、EfficientNet）和多数投票策略，有效解决PD早期诊断中数据量小、噪声多和类别不平衡问题。实验显示该框架准确率达98.23%，F1-score 97.44%，显著提升诊断效能，具有重要临床转化价值。

　　

帕金森病（Parkinson’s Disease, PD）是一种快速进展的神经退行性疾病，常伴随神经精神症状，全球影响数百万人，尤其在老年群体中高发。为满足早期精准诊断的迫切需求，本研究提出ParkEnNET——一种基于多数投票的集成迁移学习框架，用于PD早期检测。传统深度学习模型虽强大，但需大量标注数据、高算力支撑，且在小规模噪声医学数据中易过拟合。ParkEnNET通过迁移学习利用预训练模型（如VGGNet、ResNet-50、EfficientNet）从有限MRI数据中高效提取特征，再通过多数投票集成策略整合多模型优势，有效应对数据变异、类别不平衡和成像噪声等挑战。框架经内部测试及来自Jammu超级专科医院的独立临床数据集验证，确保现实泛化能力。实验结果表明，ParkEnNET诊断准确率达98.23%，精确率100.0%，召回率95.24%，F1-score为97.44%，显著优于所有单一模型。这些结果确立了ParkEnNET作为一个高性能诊断框架的潜力，尤其适用于小数据集场景，为PD早期临床检测与及时干预提供了重要技术支撑。