在帕金森病和脊髓小脑退化中使用姿势估计算法在二维视频中区分步态的可行性
Katsuki Eguchi1, Hiroaki Yaguchi2, Hisashi Uwatoko2
1Department of Neurology, Faculty of Medicine and Graduate School of Medicine, Hokkaido University, Kita 15, Nishi 7, Kita-ku, Sapporo 060-8638, Japan; Hokuyukai Neurological Hospital, 4-30, 2jo, 2cho-me, Nijuyonken, Nishi-ku, Sapporo 063-0802, Japan.
Journal of the neurological sciences
|August 3, 2024
概括
姿势估计算法可以使用步态分析来区分帕金森病 (PD) 和脊髓小脑退化 (SCD). 这种由人工智能驱动的方法显示出高准确性,有助于诊断行走障碍.
科学领域:
- 神经学 神经学
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 姿势估计算法分析患者步行视频,以评估帕金森病 (PD) 症状.
- 这些算法的区分PD与其他步态扰乱神经系统疾病 (如脊髓小脑退化症 (SCD)) 的能力仍然未被评估.
- 这项研究调查了通过姿势估计的步态分析来区分PD和SCD.
研究的目的:
- 确定姿势估计算法是否可以根据步态模式区分帕金森病 (PD) 和脊髓小脑退化 (SCD).
- 评估使用人工智能驱动的步态分析用于对导致步态障碍的神经障碍的差异诊断的可行性.
主要方法:
- 82名PD患者和61名SCD患者进行了视频记录,他们进行了定时起动测试.
- 一个姿势估计算法从步态视频中提取了25个身体关键点坐标.
- 一个基于变压器的深度神经网络 (DNN) 模型被训练用于PD/SCD预测,评估使用离开-一个参与者-退出交叉验证和倾向得分匹配.
主要成果:
- 该DNN模型实现了0.86的整体精度,0.94的灵敏度和0.75.75的特异性.
- 在倾向性得分与临床差异对照相匹配后,该模型的性能是0.83准确度,0.88灵敏度和0.78特异性.
- 这些结果表明,在区分PD与SCD方面的强大预测性能.
结论:
- 来自步行视频的姿势估计,结合DNN模型,有效地区分了帕金森病 (PD) 与脊髓小脑退化 (SCD).
- 这种方法证明了临床应用和远程医疗的可行性,作为潜在的协作诊断工具.
