从智能手机视频中自动识别婴儿异常运动
E Passmore1,2,3,4, A L Kwong3,5,6, S Greenstein1
1Murdoch Children's Research Institute, Developmental Imaging, Melbourne, Australia.
PLOS digital health
|February 22, 2024
概括
一个新的深度学习框架自动化了一般运动 (GMs) 评估,用于早期发现脑 (CP). 这种人工智能工具分析婴儿视频,能够及时诊断和干预,以改善CP儿童的治疗结果.
科学领域:
- 神经学 神经学
- 发育儿科 发育儿科
- 医疗保健中的人工智能
背景情况:
- 脑 (CP) 是导致儿童身体残疾的主要原因,每1000名活产婴儿中约有2.1名受影响.
- 早期诊断CP对于优化受影响儿童的功能结果至关重要.
- 一般运动 (GMs) 评估是用于CP检测的验证工具,但其广泛实施受到训练有素评估人员的可用性所限制.
研究的目的:
- 开发和验证一个深度学习框架,用于自动化通用运动 (GMs) 评估.
- 通过使用数字技术,实现脑的早期和可访问的查.
主要方法:
- 通过智能手机应用程序获取503个婴儿视频 (12-18周修正年龄).
- 利用深度学习自动标记和跟踪18个身体关键点,根据摄像头的运动和婴儿的大小进行调整.
- 训练了一种机器学习模型,从身体点运动数据中预测GM的分类.
主要成果:
- 自动化身体点标签实现了人类水平的准确性 (3.7 ± 5.2%的误差).
- 该预测模型表现出强的性能,交叉验证的AUC为0.80±0.08,用于预测专家转基因生物的分类.
- 获得了对异常转基因生物的76%±15%灵敏度和94%±3%的负预测值.
结论:
- 一个自动化的深度学习框架可以准确地执行GMs评估.
- 这项技术具有显著的潜力,可以在婴儿中进行可扩展的早期查,以早期检测显示CP的异常运动.
- 促进CP查计划的更广泛实施,改善早期诊断和干预的机会.
