为了早期发现脑麻的生物标志物发现:通过动力学扰乱评估解释

科学领域:

• 生物医学工程 生物医学工程
• 人工智能的人工智能
• 发育儿科 发育儿科

背景情况:

• 大脑麻 (CP) 是一个常见的儿童运动残疾.
• 早期发现CP可以改善治疗结果.
• 基于骨架的图形卷积网络 (GCNs) 显示出从婴儿视频中预测CP风险的潜力,但缺乏临床解释性.

研究的目的:

• 为了比较类激活映射 (CAM) 和梯度加权类激活映射 (Grad-CAM),以解释基于GCN的CP风险预测.
• 在CP风险评估中引入一个扰动框架来分析婴儿运动特征.
• 确定影响CP风险预测的婴儿运动关键特征.

主要方法:

• 开发了婴儿运动特征的扰动框架.
• 应用CAM和Grad-CAM来识别婴儿视频中的重要关键点.
• 在关键点上执行速度和角度扰动,以评估对GCN风险预测的影响.

主要成果:

• 手臂,部和腿部的速度驱动的特征显著影响CP风险预测.
• 角扰动对CP风险预测的影响较小.
• CAM和Grad-CAM在解释婴儿CP风险方面表现出部分一致.

结论:

• 以XAI驱动的运动分析有助于早期的CP预测.
• 这些发现表明,基于运动的CP生物标志物发现有潜力.
• 需要对已识别的运动生物标志物进行进一步的临床验证.