基于视频的双阶段卷积神经网络用于成人脊柱形分类
Kaixu Chen1, Tomoyuki Asada2, Naoto Ienaga3
1Degree Programs in Systems and Information Engineering, University of Tsukuba, Tsukuba, Japan.
Frontiers in neuroscience
|December 27, 2023
概括
本研究介绍了一种基于视频的机器学习方法,用于诊断成人脊柱形 (ASD) 和其他脊柱疾病. 人工智能模型从步行视频中准确地分类脊柱疾病,优于人类专家的观察结果.
科学领域:
- 生物医学工程 生物医学工程
- 计算机科学 计算机科学
- 整形外科 整形外科 整形外科
背景情况:
- 目前用于诊断脊柱疾病的方法,包括成人脊柱形 (ASD),依赖于静态评估或动态观察,这些是劳动密集型或设施依赖的.
- 需要一种独立于设施的诊断方法,具有较低的实践流量,并且不涉及患者接触.
研究的目的:
- 开发和评估基于视频的两阶段机器学习方法,用于分类患有脊髓疾病的患者,特别是ASD和其他形式.
- 创建一个诊断工具,克服现有的静态和动态评估方法的局限性.
主要方法:
- 采用了两阶段的机器学习方法,利用深度学习来定位患者和3D卷积神经网络 (CNN) 来从视频中提取时空步态信息.
- 该模型在81名患者的数据集上进行了训练和验证,使用平均准确度,F1分数和AUROC评估性能,并进行了五倍交叉验证.
主要成果:
- 拟议的基于视频的方法在分类脊柱疾病方面实现了0.7553的平均准确性,F1得分为0.7063,AUROC为0.7864.
- 废弃实验证实了检测阶段和转移学习在模型性能中的重要性.
- 该方法与专业观察步行视频相比,表现出更高的性能,达到更高的准确性和AUROC分数.
结论:
- 开发的基于视频的机器学习框架为诊断ASD和其他脊椎疾病提供了有效和可靠的方法.
- 这种方法有可能通过减少设施依赖和提供数据驱动的见解来改善临床诊断,使患者和临床医生都受益.
