数据驱动的脑麻早期预测使用AutoML和可解释的运动特征

科学领域:

• 计算神经科学是一种神经科学.
• 发育儿科 发育儿科
• 医疗保健中的机器学习

背景情况:

• 早期识别脑 (CP) 是至关重要的,但由于时间密集的专家评估,具有挑战性.
• 当前的机器学习方法通常预测CP得分,而不是直接临床风险.
• 对于早期神经发育风险评估,需要可扩展,数据驱动的方法.

研究的目的:

• 开发和验证一种机器学习管道,用于使用婴儿运动数据预测CP风险.
• 评估早期运动表征对长期神经发育结果的概括性.
• 通过视频运动跟踪利用AutoML进行强大且可扩展的CP风险预测.

主要方法:

• 使用运动追踪从3至4个月大的婴儿视频中提取了运动特征.
• 使用AutoML (AutoSklearn) 来进行数据驱动的特征提取和模型选择,以最大限度地减少过拟合.
• 使用预先注册的锁盒验证来进行严格的性能评估.
• 集成的预训练视觉变压器,用于增强特征提取.

主要成果:

• 该模型在预测通用运动评估 (GMA) 临床分数时实现了0.78的ROC-AUC.
• 同样的模型,没有再培训,预测了CP风险在以后的随访中,ROC-AUC为0.74.
• 动力运动特征有效地捕获了临床相关的变异性,并将其概括为长期的神经发育风险.

结论:

• 基于AutoML的运动分析为早期神经发育查提供了可扩展和可解释的方法.
• 来自视频的运动特征可以为评估长期CP风险提供准确和可概括的方法.
• 这种数据驱动的方法提高了早期发现神经发育障碍的风险,使用易于获得的婴儿视频.