机器学习技术在基于标记物的临床步态分析中的范围审查
Kevin N Dibbern1,2,3, Maddalena G Krzak2,3, Alejandro Olivas3
1Department of Pediatrics, University of Nebraska Medical Center, Omaha, NE 68198, USA.
Bioengineering (Basel, Switzerland)
|June 26, 2025
概括
机器学习 (ML) 增强了临床见解的3D步态分析 (3DGA). 虽然深度学习在大型数据集中表现出色,但传统的ML方法提供了稳定性和可解释性,特别是在有限的数据中.
科学领域:
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
- 临床生物力学 临床生物力学
背景情况:
- 新型机器学习 (ML) 技术越来越多地用于基于定量标记的3D步态分析 (3DGA).
- 这些进展显示了提高临床步态分析解释的潜力.
- 对于临床实用性,需要对3DGA中ML应用的当前文献进行描述.
研究的目的:
- 对基于标记的3D步态分析中机器学习应用的文献进行范围审查.
- 确定ML如何用于提供改善患者护理的临床见解.
- 描述临床步态分析的ML中最先进的状态.
主要方法:
- 使用PubMed和Web of Science数据库进行了全面的范围审查.
- 搜索术语来源于相关文章,并由行走分析和机器学习专家改进.
- 研究的纳入是由三个独立审查员通过裁决决定的.
主要成果:
- 通过对4324篇文章的初步搜索,该审查确定了105篇相关论文.
- 通常应用的ML技术包括支持向量机器,神经网络 (NN) 和后勤回归.
- 分析的最常见的临床条件是脑,帕金森病和中风后患者.
结论:
- 机器学习在步态分析文献中得到广泛应用.
- 深度学习方法在大型数据集中表现出成功,而传统的ML技术在较小的数据集中是强大的,并且提供更好的解释性.
- 可解释的人工智能 (XAI) 可以提高模型的解释性,但在这个领域尚未得到广泛采用.
