基于深度学习的儿童类隐性运动障碍分类
计算机视觉与模式识别
2024-11-26 v1 人工智能
机器学习
图像与视频处理
摘要
儿童类隐性运动障碍（HMDs），包括畸形（异常扭转）和摇摆（不规则随机运动），因临床特征的重叠而面临显著诊断挑战。畸形的发病率为每百万人 2-50 例，摇摆的发病率为每 10 万人 5-10 例。这类疾病的诊断常常延迟，平均为 4.75-7.83 年。传统诊断方法依赖临床史和专家体位检查，但专业检测因这些疾病的复杂病理学而无效。本研究开发了一种神经网络模型，用于从儿童运动任务的视频录像中区分畸形和摇摆。该模型集成了图卷积网络（GCN）以捕获空间关系，以及长短期记忆网络（LSTM）以考虑时间动态。还Incorporated 注意力机制以提高模型的可解释性。该模型在来自 Guy's and St Thomas' NHS Foundation Trust 获得监管批准的 50 条视频数据集上进行训练和验证（其中 31 条为摇摆为主，19 条为畸形为主）。模型在 15 帧/秒下的准确率为 85%，灵敏度为 81%，特异度为 88%。注意力图显示，模型能够正确识别无自主运动模式，误分类常因身体部位遮挡或微妙运动变化而发生。本工作表明，深度学习有望提高 HMD 诊断的准确性和效率，并可为构建更可靠、更可解释的临床工具提供贡献。
引用
@article{arxiv.2411.15200,
title = {Deep Learning-Based Classification of Hyperkinetic Movement Disorders in Children},
author = {Nandika Ramamurthy and Dr Daniel Lumsden and Dr Rachel Sparks},
journal= {arXiv preprint arXiv:2411.15200},
year = {2024}
}
备注
59 pages, 20 figures