通过定量深度学习自动化一般运动评估,以促进脑的早期查
Qiang Gao1, Siqiong Yao1,2, Yuan Tian3
1State Key Laboratory of Microbial Metabolism, Joint International Research Laboratory of Metabolic and Developmental Sciences, Department of Bioinformatics and Biostatistics, School of Life Sciences and Biotechnology, Shanghai Jiao Tong University, Shanghai, China.
Nature communications
|December 14, 2023
概括
一个新的深度学习模型自动化了Prechtl通用运动评估 (GMA) 以使用婴儿视频早期检测脑 (CP). 这种工具提高了初学者诊断的准确性,简化了早期查.
科学领域:
- 神经科学是一个神经科学.
- 发育儿科 发育儿科
- 人工智能在医学中的应用
背景情况:
- 在评估神经系统的发展和预测运动障碍,如脑 (CP) 时,Prechtl通用运动评估 (GMA) 是至关重要的.
- 受过培训的专业人员的有限可用性限制了GMA作为早期查工具的广泛采用.
- 自动化GMA,特别是在动动作 (FMs) 阶段,对于更广泛的应用是必不可少的.
研究的目的:
- 开发和验证基于深度学习的运动评估模型 (MAM) 以在FM阶段自动化GMA.
- 评估MAM在识别FM和帮助诊断方面的性能和可解释性.
- 引入基于MAM预测的定量GMA方法,以提高诊断准确度.
主要方法:
- 开发了一个深度学习模型 (MAM),将婴儿视频数据与基本特征集成.
- MAM接受了培训,并通过了外部验证,以评估其在自动化GMA方面的表现.
- 模型识别FM的能力及其与专家评估的一致性被评估为可解释性.
主要成果:
- 在外部验证中,MAM获得了0.967的曲线下的高面积 (AUC).
- 该模型展示了强大的可解释性,准确地识别了FM,与专家评估有很大一致.
- 从MAM的FM频率预测中获得的定量GMA方法实现了0.956.6的AUC.
- 量化方法提高了GMA初学者的诊断精度11.0%.
结论:
- 拟议的基于深度学习的MAM有效地将GMA自动化为动动作的阶段.
- MAM显示出强大的性能,可解释性,并有可能显著改善早期脑查.
- 这项技术可以彻底改变基于视频的定量医学诊断,并扩大早期运动评估的获取范围.
