机器学习方法来评估婴儿在扭曲阶段的一般运动 - - 一项试点研究
Lisa Letzkus1, J Vince Pulido2, Abiodun Adeyemo3
1Department of Pediatrics, University of Virginia Children's Hospital, PO Box 800828, Charlottesville, VA, 22908, USA. lmc8c@uvahealth.org.
Scientific reports
|February 24, 2024
概括
机器学习准确地评估新生儿重症监护室 (NICU) 中的婴儿总体运动 (GM). 这种自动化系统可以区分正常的GM和异常的GM,有助于早期脑风险评估.
科学领域:
- 新生儿神经学 新生儿神经学
- 机器学习在医疗保健中的应用
- 发育儿科 发育儿科
背景情况:
- 一般运动 (GMs) 对于评估婴儿神经发育至关重要.
- 识别异常的GM,如狭窄同步 (CS) 运动,可以表明神经疾病.
- 在新生儿重症监护室 (NICU) 中对转基因生物的客观评估具有挑战性.
研究的目的:
- 描述机器学习技术,用于自动评估婴儿在扭曲阶段的一般运动 (GM).
- 开发和验证基于计算机视觉的NICU婴儿姿势估计模型.
- 创建一个初步的运动模型,区分正常和狭窄同步 (CS) 的GM.
主要方法:
- 追溯分析了来自74个NICU婴儿的85个视频.
- 利用一个经过NICU训练的姿势估计模型来定位关键点 (通过对象关键点相似度 (OKS) 测量精度).
- 开发了一种运动模型,使用共弦相似性和自相关性来区分正常和CS GMs.
主要成果:
- 与通用模型 (0.83 OKS,p < 0.001) 相比,NICU训练的姿势估计模型获得了更高的准确性 (0.91 OKS).
- 在正常和CS GM之间发现了下肢自相关值的显著差异 (p < 0.05).
- 在NICU患者中,关键点的自动姿势估计被证明是可行的.
结论:
- 机器学习,特别是NICU训练的姿势估计模型,可以准确评估婴儿GM.
- 这种自动化方法对早期发现脑 (CP) 风险充满希望.
- 这些发现支持AI工具在医院出院前进行神经发育评估的潜力.
