基于机器学习的自动化臂部运动异常评估研究

2024-07-31 Wed
通过图像提取和分类系统对ABI患者行走异常运动的自动化临床评估学术背景获取性脑损伤（Acquired Brain Injury，ABI）后，行走障碍是一种常见的身体残疾。ABI通常包括中风和创伤性脑损伤，这些疾病在全球范围内的发生率约为150万例。ABI患者的行走障碍不只影响下肢，还会影响到躯干和上肢，从而限制日常生活的参与并大大降低生活质量。除了功能障碍外，这些明显的运动异常还可能产生美学问题，进而对患者的身体形象、自尊、心理健康和社会融合产生负面影响。
研究动机传统的ABI患者运动异常评估通常依赖于经验丰富的理疗师通过视觉观察来进行主观评估。然而，国际功能、残疾与健康分类（ICF）中的运动异常评估卷标显示虽然在同一评估者之间有很强的一致性，但在不同评估者之间只能达到中等的信度，这限制了其在临床实践中的应用。为了解决这一问题，研究人员尝试引入一种两级机器学习模型，以自动评估ABI患者行走时的上肢运动异常。
文章来源该研究由Ashleigh Mobbs、Michelle Kahn、Gavin Williams、Benjamin F. Mentiplay、Yong-Hao Pua和Ross A. Clark等人共同撰写。他们分别来自于澳大利亚阳光海岸大学健康学院、Epworth Healthcare理疗系、墨尔本大学健康科学学院、La Trobe大学共享健康与人类服务学院和新加坡综合医院理疗系。该论文发表在2024年《Journal of NeuroEngineering and Rehabilitation》期刊上。
研究流程实验设计与方法参与者：
研究对象包括42名ABI患者和34名健康对照（HCs）。ABI患者被招募自墨尔本的脑损伤康复中心和私人理疗诊所，他们平均年龄为48岁，平均受伤时间为6.2年。HCs来自研究团队的员工、家人和朋友网络，他们平均年龄为37岁。
视频采集：
参试者被要求赤脚在一个10米长的跑道上行走，走到摄像头跟前进行正面平面的动态视频记录。视频由Microsoft Kinect v2摄像头拍摄，采集的RGB图像分辨率为1920×1080，视频长度包含行走段10.5米。
第一级机器学习：解剖标记点网络开发（DeepLabCut™）
利用开源软件DeepLabCut™进行视频帧的选择和标记，训练网络的训练次数为50万次。网络用于计算参与者行走过程中双侧肩、肘、腕关节的二维空间运动角度。训练数据中近50%、75%、90%和100%的ABI参与者视频被用于训练。
第二级机器学习：预测算法开发（随机森林网络）
评估三名有>15年经验的神经康复专家理疗师使用ICF量表对参试者视频打分，将这些评分数据与前一级计算得出的关节角度数据一起，用于训练随机森林网络并进行嵌套交叉验证。所有视频的机器学习模型预测值与临床评估者评分进行了比较，使用了二次加权kappa系数和单样本t检验等统计方法。
研究结果研究结果表明，机器学习预测在与经验丰富的人类评估者打分一致性方面表现相似，且不存在显著性差异。四种不同网络的预测无显著差别，虽然在某些分数上有小幅度的下预测现象。这表明在受限样本量下，机器学习模型仍能提供可靠的评估结果。
一次ANOVA：
对四个网络（50%、75%、90%、100%）应用单因素方差分析，结果显示网络之间的预测差异无统计学意义（f=0.119，p=0.949）。
研究结论该研究证明了机器学习在主观评估ABI患者行走时的上肢运动异常方面可以和有经验的临床医生相媲美。尽管样本量较小可能导致某些评分下预测，但效果规模较小，并且没有显著的性能差异。未来的大规模研究可能有助于进一步验证此方法的有效性，特别是在本地和远程康复评估中，利用智能手机和边缘计算技术来减少测量误差和医疗服务的获取不平等问题。
研究的意义这项研究的主要贡献在于展示了如何利用机器学习技术来解决传统临床评估中存在的问题，例如评估一致性和技术负担。机器学习可以实现更高效、更可靠的评估过程，这对于实际临床应用和远程医疗具有重要意义。此外，本研究也为未来的研究指明了方向，通过增加样本量和评估复杂的动态任务，可以进一步提高模型的预测准确性和临床应用价值。
研究亮点方法创新： 该研究利用两级机器学习模型，包括DeepLabCut™和随机森林网络，来自动评估ABI患者的上肢运动异常。
实践应用： 该模型展示了在较小数据集上的高效性和准确性，且不受评估者变更的影响。
未来潜力： 此研究为在实际临床和远程评估中推广使用机器学习技术提供了理论和实践基础，具有广泛的应用前景。
其他重要信息数据开放性与隐私保护： 虽然原始数据不能公开以保护参与者的隐私，但经过匿名化处理的数据可以在需要时提供。
伦理批准： 研究获得了Epworth Healthcare和University of the Sunshine Coast的伦理批准，并符合赫尔辛基宣言。
本研究通过创新的方法和严格的验证，展示了机器学习在临床评估中的潜力，为未来在更广泛的医疗实践中应用提供了坚实的基础。