使用专家引用的特征来检测脑中腿部 dystonia 的脑

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 儿科 儿科 儿科

背景情况:

• 大脑麻 (CP) 中的腿部 dystonia 是一个重大的挑战,由于常规临床评估的局限性,经常被诊断不足.
• 目前通过标准临床评估对腿部 dystonia 的诊断准确率仅为 12%,需要改进检测方法.

研究的目的:

• 为了确定是否可以使用可量化的,专家引用的腿部 dystonia 的特征来训练机器学习 (ML) 模型,以改进对患有CP的儿童的检测.
• 用视频分析开发一个客观的工具来诊断儿科CP患者的腿部 dystonia.

主要方法:

• 八名儿科运动障碍医生评估了298个视频,视频中显示有CP的儿童在坐着执行任务.
• 从视频中量化了专家识别的腿部 dystonia 特征,以训练 4,664 ML 模型.
• 性能最好的ML模型在一个由135个视频组成的单独数据集上进行了测试.

主要成果:

• 确定了69个可量化的特征,对应于12个专家引用的腿部 dystonia 特征.
• 在ML模型中,在识别腿部 dystonia时,获得了82%的准确性,88%的灵敏性和74%的特异性.
• 最好的模型将腿部运动的变化确定为一个关键的诊断指标,25个特征中有17个特征量化了这一方面.

结论:

• 开发的ML模型,集成到开源软件DxTonia中,显示82%的准确率用于检测CP儿童的腿部 dystonia.
• 通过利用腿部运动变量的量化,DxTonia显著优于常规的临床诊断 (准确率为12%).
• 在简单的任务中量化腿部运动变异性提供了一种有希望的方法,以提高儿科CP的腿部 dystonia检测.