人工智能在评估中风患者的出行:严重程度分类与视频和功能出行类别尺度

科学领域:

• 医学成像分析分析 医学成像分析
• 医疗保健中的人工智能
• 康复医学是康复的医学.

背景情况:

• 对于中风患者的康复计划而言,客观的步行功能评估至关重要.
• 医生目前的视觉步态分析可能是主观的,并依赖于经验判断.
• 建立对步态评估的客观方法对于准确的康复目标设定至关重要.

研究的目的:

• 为了验证一个深度学习模型来分类中风患者的步态严重程度.
• 评估模型根据功能行走类别 (FAC) 尺度对患者进行分类的能力.

主要方法:

• 收集了来自6个机构203名中风患者和182名健康患者的步行视觉数据.
• 使用OpenPose进行视频数据处理和姿势估计.
• 在80%的数据集上训练了一个深度学习模型,并在剩余的20%上进行了测试.

主要成果:

• 深度学习模型实现了0.981的训练精度和0.903.90的测试精度.
• 证明高的曲线下面面积 (AUC) 值:0.93 (轻度),0.95 (中度) 和0.96 (严重) 的中风组.
• 该模型有效地区分了脑卒中引起的行走障碍的不同严重程度.

结论:

• 从视觉数据来估计人体姿势显示出开发客观步态参数和严重程度分类模型的前景.
• 使用FAC标准进行基于AI的严重性分类是可行的,可以增强临床决策.
• 大量,多样化的数据集,包括来自现实世界,非标准化环境的数据集,对于在中风康复中强大的AI模型开发至关重要.