基于深度学习的帕金森性震颤严重程度客观估计
计算机视觉与模式识别
2024-09-04 v1 机器学习
摘要
准确评估帕金森性震颤对于监测疾病进展和评估治疗疗效至关重要。我们引入了一个基于像素的深度学习模型，用于分析帕金森病（PD）后坐震颤，克服了传统姿态估计技术的局限性。该模型在来自两个大陆五个专门运动障碍中心收集的 2,742 项评估训练后，表现出与临床评估高度一致的鲁棒性。它有效预测了左旋多巴和深部脑刺激（DBS）的治疗效果，检测了症状的侧向不对称性，并区分了不同震颤严重程度。特征空间分析揭示了震颤严重程度呈非线性、结构化分布，低严重程度得分占据更大比例的特征空间。该模型还有效识别了异常视频，表明其在临床环境中具有自适应学习和质量控制的潜力。我们的做法提供了一种可扩展且客观的震颤评分方法，潜在可整合到其他 MDS-UPDRS 运动评估中，包括僵硬和步态。该系统的可适应性和性能凸显了其在PD症状高频、纵向监测方面的前景，补充临床专家的判断，增强患者管理中的决策水平。未来工作将将这种基于像素的方法扩展到PD的其他主要症状，旨在开发一个综合性、多症状模型，用于自动化帕金森病严重程度评估。
引用
@article{arxiv.2409.02011,
title = {Deep learning for objective estimation of Parkinsonian tremor severity},
author = {Felipe Duque-Quiceno and Grzegorz Sarapata and Yuriy Dushin and Miles Allen and Jonathan O'Keeffe},
journal= {arXiv preprint arXiv:2409.02011},
year = {2024}
}