婴儿运动的无标记视频分析,用于早期识别神经发育障碍

科学领域:

• 发育神经科学的发展神经科学.
• 计算神经科学是一种计算神经科学.
• 儿科神经学 儿科神经学

背景情况:

• 早期发现神经发育障碍 (NDD) 对于及时干预和改善结果至关重要.
• 婴儿自发运动的缺陷与后来的NDD发展有关.
• 无标记器的人工智能为客观的婴儿运动评估提供了一种新的方法.

研究的目的:

• 开发和验证一个基于人工智能的系统,用于从单摄像头视频中自动评估婴儿运动.
• 在高风险婴儿中识别NDD的早期动力学标志物.
• 与现有方法相比,评估AI系统的准确性和可靠性.

主要方法:

• 利用NIDA数据库中的74名高风险婴儿的深度学习进行无标记的自动运动跟踪.
• 从五个时间点 (10天至24周) 的视频录像中提取了动力学参数.
• 使用支持矢量机 (SVM) 进行分类,并将跟踪精度与经过验证的半自动算法 (Movidea) 进行比较.

主要成果:

• 10天后,在后来被诊断为NDD的婴儿中,在下肢运动特征 ("中位速度"",不同于移动平均线的区域"",周期性") 中观察到显著的差异.
• 该SVM模型在NDD检测方面实现了85%的准确性,64%的灵敏性和100%的特异性.
• 随着时间的推移,运动差异有所减少;与Movidea相比,AI跟踪显示高相关性 (R=93.96%) 和低RMSE (9.52像素).

结论:

• 人工智能驱动的运动分析显示了婴儿NDD早期检测的巨大潜力.
• 在下肢运动中的特定早期动力学标记可以帮助识别有风险的婴儿.
• 这种非侵入性AI方法为早期干预策略提供了宝贵的关于婴儿运动发育的见解.