Járáselemzés MI segítségével
„A járáselemzésben hatalmas, kiaknázatlan lehetőségek rejlenek az orvosok munkájának segítésére” – nyilatkozta James Liao, MD, a Cleveland Clinic Neuro-Restoration Center mozgászavarokkal foglalkozó neurológusa a Healio-nak a Nature Communications folyóiratban megjelent kutatás eredményeiről. „Bebizonyosodott, hogy a járásváltozások előre jelezhetik a demenciát, az elesés kockázatát, a kórházi kezelés szükségességét és még sok mást.”
Korábbi kutatások megállapították, hogy a járáselemzés a legfontosabb része a különböző neurológiai állapotok vizsgálatának, különösen a betegség kezdeti, bevezető szakaszában, amikor még nem jelentkeznek a jellegzetes tünetek, de már észlelhetők előjelek.
Liao és a Cleveland Clinic és az IBM Research munkatársai azt vizsgálták, hogy a mély neurális hálózatokon alapuló gépi tanulás képes-e pontosan felismerni a betegek járását, és megbízható módszert nyújt-e széles körű, adatközpontú elemzéshez, amely specifikus neurológiai állapotok, pl. a normális nyomású hydrocephalus (NPH)[1] diagnosztizálására szabott.
„Bizonyos esetekben előfordulhat, hogy egy valójában kezelhető betegséget nem diagnosztizálnak. A számítógépes technikák segítenének ezeknek az állapotoknak a felismerésében” – mondta Liao. „A számítógépek és a mesterséges intelligencia képesek elemezni a járást, számszerűsíteni a paramétereket és nyomon követni azokat az időben, oly módon, ahogyan az az ember számára nem lenne lehetséges. A végeredmény az lenne, hogy a mesterséges intelligencia értesítené az orvost a beteg járásának romlásáról, ami a diagnózis korai felállításához és a kezelés megkezdéséhez vezetne. A számítógépes technikák elsajátításához nagyon nagy adathalmazokra van szükség. Az általunk vizsgált neurológiai állapotok egy része nem elég gyakori ahhoz, hogy könnyen nagy mennyiségű adatot gyűjthessünk” – mondta Liao.
„A cikkben bemutatott technika, amely szintetikus adatokat használ a képzési adatok kiegészítésére, rendkívül hasznos.” A kutatók 9247 egykamerás videót vagy hordható gyorsulásmérőkről származó adatot vizsgáltak 1128 egyedi, agyi bénulásban, Parkinson-kórban és demenciában szenvedő betegről. Az adatokat egy sor kétdimenziós (2D) és háromdimenziós (3D) testhelyzetből nyerték ki, amelyek minden beteg elülső, hátsó és oldalsó nézetét ábrázolták, mind az NPH állapotának meghatározását célzó lumbálpunkció előtt, mind utána.
A videóelemzést két forgatókönyvre osztották. Az elsőben a gépi tanulási modell, előzetes adatképzés nélkül, lehetővé tette a járásparaméterek becslését különböző populációkban és szenzorbeállítások mellett. A második forgatókönyvben azt mérték, hogy a szintetikus járásadatokon előzetesen betanított modell hogyan teljesít olyan feladatokban, ahol a korábbi szakaszok kimenetét használták fel a döntések meghozatalához és az értékelések megalapozásához, beleértve különböző klinikai populációkat és érzékelőbeállításokat. Liao és kollégái ezután összehasonlították a szintetikus modellek teljesítményét a 2D-s és 3D-s betegfelvételek alapján valós adatokra betanított modellekkel.
Arról számoltak be, hogy minden modell felhasználható a járásparaméterek előrejelzésére. A kizárólag szintetikus adatokon képzett modellek a járásparaméterek előrejelzésében hasonló vagy hatékonyabb teljesítményt nyújtottak, mint a valós adatokon képzettek.Az eredmények alapján Liao arról számolt be, hogy a kizárólag szintetikus adatokon alapuló modell a járás sebességét, a lépéshosszt és a lépésidőt Pearson-korrelációs együtthatóval becsülte, amelyek értéke 0,88, 0,80 és 0,97 volt, amit Liao a valós adatok használatával összehasonlíthatónak nevezett. „Ha csak valós adatokkal szeretnénk elérni a szintetikus adatokon alapuló modell teljesítményét, akkor 233–1287 videóra lenne szükség, így a szintetikus adatokkal csökkenteni lehet a képzéshez szükséges valós adatok mennyiségét” – mondta Liao. Azt is kijelentette, hogy az AI-modellek demencia diagnosztizálására is alkalmazhatók, mivel a valós és szintetikus adatok kombinációját használó modellek hasonló teljesítményt nyújtottak, mint a csak valós adatokon alapuló modellek.
Liao ugyanakkor megjegyezte, hogy a kombinált modell a valós adatok mindössze 43%-ával tudta diagnosztizálni a betegséget, míg a kombinált modellben a 100%-os valós adatarány 0,866-os AUC-értéket eredményezett, ami 0,044-del jobb, mint a legjobban teljesítő, kizárólag valós adatokon alapuló modellé. Végül Liao és munkatársai megállapították, hogy ezek a modellek kiemelkedőek a kognitív hanyatlás 3 éves előrejelzésében is, amelyet a Mini Mental State Exam pontszámának két vagy több ponttal történő csökkenéseként határoztak meg.
A kombinált és a valós adatokat tartalmazó modellek itt is hasonló teljesítményt értek el, miközben csak 14% valós adatot használtak. 100% valós adatarány mellett a modell 0,732 AUC értéket ért el, ami 0,136-tal jobb eredmény, mint a legjobban teljesítő, kizárólag valós adatokat tartalmazó modellé. „Eredményeink jelentősen felgyorsítják a pontos járáselemző modellek fejlesztését, kevesebb képzési adat felhsználásával. Az AI automatikusan elemzi a járást, és romlás esetén figyelmezteti az orvosokat, javaslatot tesz a diagnózisra, szakorvoshoz történő beutalásra.” – mondta Liao.
[1] A normális nyomású hydrocephalus (NPH) egy neurológiai rendellenesség, amelyet a gerincvelői folyadék (liquor) felhalmozódása okoz az agykamrákban, ami azok kitágulását eredményezi. Ez a felhalmozódás nem feltétlenül jár együtt az agynyomás jelentős növekedésével. Az NPH leggyakrabban az idősebb korosztályt érinti, és a tünetei közé tartozhat a járászavar, a kognitív hanyatlás és a vizeletinkontinencia