一个预先注册的,开放的管道,用于从婴儿视频中早期脑麻风险评估
Melanie Segado1,2,3, Laura A Prosser4,3, Andrea F Duncan4,5
1Department of Bioengineering, University of Pennsylvania, Philadelphia, PA, United States.
medRxiv : the preprint server for health sciences
|July 16, 2025
概括
这项研究开发了一种自动化管道,用于从婴儿视频中使用一般运动评估 (GMA) 预测脑 (CP) 风险. 这种方法可以实现更广泛的数据共享和模型培训,以便更容易获得的CP选工具.
科学领域:
- 神经学 神经学
- 发育儿科 发育儿科
- 生物医学工程 生物医学工程
背景情况:
- 大脑麻 (CP) 影响500名儿童中有1名,由于大脑发育异常,影响运动控制.
- 通过一般运动评估 (GMA) 在3-4个月的早期检测对于CP风险评估至关重要.
- 目前用于GMA预测的机器学习模型缺乏通用性,需要对数据集进行特定的调整,阻碍了临床应用和数据共享.
研究的目的:
- 开发一种可通用,端到端的机器学习管道,用于从婴儿视频中预测GMA分数.
- 克服现有模型的局限性,例如数据集特定的调整和隐私限制,使多站点数据聚合成为可能.
- 为可靠,全球可访问的CP选工具奠定基础,特别是在资源较低的环境中.
主要方法:
- 使用现成的姿势估计和通用特征提取,创建了一个端到端的管道.
- 使用自动机器学习 (AutoML),没有针对数据集的特定调整.
- 该方法应用于来自高风险队列的1063名婴儿的新数据集,在锁定验证集上进行评估.
主要成果:
- 该模型在临床医生评估的GMA分数方面取得了中等的预测准确性.
- 关键性能指标包括0.79的接收器运行特征曲线下的面积 (ROC-AUC) 和0.34的精度召回曲线下的面积 (PR-AUC).
- 这一表现值得注意,因为数据集中的正类流行率为12%.
结论:
- 开发的管道为基于GMA的CP风险预测提供了可通用的方法.
- 开源代码和非识别数据有助于进一步研究和开发CP选工具.
- 这项工作支持为各种临床环境创建可靠,可访问的CP查解决方案.
