通过游戏内运动模式的自动视频分析来识别前十字带损伤

科学领域:

• 运动医学 运动医学
• 生物力学 生物力学
• 人工智能的人工智能

背景情况:

• 在运动期间延迟诊断前十字带 (ACL) 损伤会增加进一步受伤的风险.
• 人工智能 (AI) 提供了一个潜在的解决方案,用于准确,可访问的游戏中ACL损伤诊断.

研究的目的:

• 开发一个人工智能驱动的视频分析系统,用于识别ACL损伤生物力学.
• 评估这个人工智能系统是否可以提高专家诊断视频中ACL损伤的能力.

主要方法:

• 分析了来自在线游戏录音的91个ACL损伤和38个控制场景.
• 提取了3D姿势和生物力学特征 (膝盖曲,部绑架,旋转).
• 训练了一个循环神经网络 (LSTM) 来分类ACL损伤;通过人工智能辅助数据评估外科医生的准确性.

主要成果:

• 人工智能模型显著超过了机会,最好的LSTM模型获得F1得分为0.63 (±0.01) 和AUC为0.88 (±0.01).
• 整形外科医生在使用人工智能系统的数据时显示出更好的诊断准确度 (F1综合得分增加0.08).
• 人工智能系统成功地重建了运动员的3D运动,并确定了与受伤相关的模式.

结论:

• 人工智能可以自动评估游戏中的视频,以检测ACL损伤的生物力学模式.
• 这项技术在视频录像中预先标记和突出显示关注的区域方面表现有前途.
• 进一步的研究可以完善生物力学标记,并将系统的使用扩展到非专家,以减少错过的诊断.