HiLWS：一种用于神经病理评估的临床与居家视频数据人类在环式弱监督框架
神经元与认知
2025-09-16 v1 机器学习
摘要
基于视频的运动症状评估（如帕金森病Parkinson's disease）为门诊评估提供了可扩展的替代方案，但居家录制的视频引入了诸多挑战，包括视觉质量下降、任务执行不一致、标注噪声以及领域迁移问题。我们提出HiLWS（Human-in-the-Loop Weak Supervision），一种级联式人类在环式弱监督框架，用于 curated and 注释来自临床和居家环境中手部运动任务视频。与传统单阶段弱监督方法不同，HiLWS采用新颖的级联方法，首先应用弱监督将专家提供的标注聚合为概率标签，然后用于训练机器学习模型。随后，模型预测结合专家输入将通过第二阶段的弱监督进行细化。该完整流程包括质量过滤、优化的姿态估计和任务特定片段提取，并配以情境敏感的评估指标，通过优先考虑含糊不清的案例以专家审查方式评估视觉保真度和临床相关性。我们的发现揭示了居家录制数据中的关键失效模式，强调在稳健的医学视频分析中采用情境敏感的 curated 策略的重要性。
引用
@article{arxiv.2509.10557,
title = {HiLWS: A Human-in-the-Loop Weak Supervision Framework for Curating Clinical and Home Video Data for Neurological Assessment},
author = {Atefeh Irani and Maryam S. Mirian and Alex Lassooij and Reshad Hosseini and Hadi Moradi and Martin J. McKeown},
journal= {arXiv preprint arXiv:2509.10557},
year = {2025}
}