新闻中心
News center
JAMA子刊|从高危婴儿的自发运动预测脑瘫的深度学习方法的开发和验证
来源: | 作者: | 发布时间: 617天前 | 1371 次浏览 | 分享到:

本案例适合

1.人工智能(AI),计算机科学(CS),大数据(DS)

2.跨专业学习算法的同学,专业为生物信息工程,生命科学,医学统计学,医学

科研星级

数 据:⭐ ⭐ ⭐ ⭐ ⭐

方 法:⭐ ⭐ ⭐ ⭐ 

应用度:⭐ ⭐ ⭐ ⭐ 



  今天要为大家介绍的是一篇关于从高危婴儿的自发运动预测脑瘫的深度学习方法的开发和验证的高分文章,发表在Jama Network Open上。文中表明在外部验证中具有预测准确性,这为使用基于深度学习的软件在临床环境中提供客观的CP早期检测提供了可能的途径!

摘要

  脑性瘫痪(CP)的早期识别对早期干预很重要,但基于专家的评估不允许广泛使用,传统的机器学习替代方案缺乏有效性。本文的目的是建立一种基于深度学习的基于9 ~ 18周矫正龄婴儿自主运动视频的脑瘫预测新方法,并评估其外部有效性。本预后研究采用基于深度学习的方法,研究对象包括9 - 18周矫正年龄的婴儿在烦躁运动期间的可用视频记录,418名婴儿(75.0%)随机分配到模型开发(训练和内部验证)样本,139名(25.0%)随机分配到外部验证样本(1个测试集)。文中表明在外部验证中具有预测准确性,这为使用基于深度学习的软件在临床环境中提供客观的CP早期检测提供了可能的途径。

介绍

  脑瘫是儿童最常见的身体残疾,由于发育中的大脑受到损伤,可产生功能限制和同时发生的损害,脑瘫通常在12 - 24个月之间被诊断出来,而轻度的脑瘫甚至可能在幼年晚期被诊断出来。早期发现脑瘫高危婴儿对于在神经可塑性高的婴儿时期提供有针对性的随访和干预非常重要,随着人工智能领域的进步,机器学习技术已经成为gma的客观低成本替代品。以前用于跟踪和分类婴儿自发运动的机器学习技术通常旨在通过提出人工选择的受限运动特征集,并结合传统的统计方法(如逻辑回归分析和支持向量机)来预测CP。人工选择运动特征的有限集合与观测GMA工具有未知的关联,这对传统机器学习技术的构造有效性提出了质疑。由于样本量小,随访时间短,缺乏外部验证。

方法

参与者

  这项针对13家医院患者的预后研究得到了挪威医学和健康研究伦理地区委员会以及比利时、印度和美国当地机构审查委员会的批准。本研究遵循透明报告个体预后或诊断的多变量预测模型(TRIPOD)报告指南。


一般动作的影与分类

  按照GMA标准,记录婴儿在积极清醒状态下仰卧位,平均时间为5分钟


脑瘫状态、亚型和功能水平

  CP的主要转归是由一名儿科医生诊断的,该诊断包括将CP亚型分为痉挛性单侧、痉挛性双侧、运动障碍和共济失调。


开发和外部验证

  为获得用于方法开发的代表性样本和外部验证,所有高危婴儿根据他们最初入的研究,中心进行研究的国家)(图1中的步骤1)和他们的CP亚型(痉挛双侧CP,痉挛单侧CP,(图1中的步骤2)。

深度学习方法

图2给出了用于CP预测的深度学习方法的总体概念。该方法包括4个步骤:(1)运动跟踪,(2)骨架序列的创建,(3)基于深度学习的预测模型的开发,(4)CP的预测。

  运动跟踪原始视频由运动跟踪器处理,定位19个重要身体点的水平和垂直坐标(图2中的步骤1),创建一个婴儿骨骼。运动跟踪器之前根据GMA标准进行训练和验证;

骨架序列所有视频帧的婴儿骨架组成一个时空骨架序列(图2中的步骤2),代表视频中的婴儿运动。将骨架序列划分为5窗口,利用基于深度学习的预测模型对该窗口的CP风险进行估计。

  基于深度学习的CP预测模型为了自动检测与CP相关的运动特征,提出了一种新的深度学习算法。深度学习模型由多个层组成(图2中的步骤3)。初始层检测单个肢体或关节的运动特征,而后续层检测整个身体的运动特征。为避免人工选择偏倚,通过对训练数据和内部验证数据进行自动搜索来设置最优模型结构。

  CP的预测总视频中CP风险的最终得分估计为骨架序列所有5秒窗口中CP风险的中位数(图2中的步骤4)。该得分用于根据固定的决策阈值将婴儿分类为有CP或没有CP。

结果

  经外部验证,基于深度学习的CP预测方法敏感性为71.4%,特异性为94.1% ,阳性预测值为68.2%,阴性预测值为94.9% 。GMA工具的敏感性为70.0% ,特异性为88.7% ,阳性预测值为51.9%,阴性预测值为94.4% 。深度学习方法比传统机器学习方法获得了更高的准确率,但与GMA工具相比,准确度没有显著提高。

  外部验证样本包括139名婴儿;其中21例(15.1%)确诊为CP,确诊为CP的12例被正确划分为一定CP, 2例被错误划分为一定无CP(图3C中红绿方框图)。图3A和B显示了1名有代表性的CP患儿和1名无CP患儿的5秒窗口期脑瘫风险,这两名患儿的分类都是正确的,且具有很高的确定性。


基于深度学习的CP预测方法在非流动性CP患儿中具有更高的敏感性(即高于决策阈值的比例更高)(图3 c)。不具有动态运动功能与动态运动功能相比,双侧痉挛性CP与单侧痉挛性CP比较(图4)

结论

  在这项预后研究中,一种用于早期CP预测的全自动深度学习方法在来自不同国家的婴儿的外部样本中具有较高的预测精度,这些婴儿的围产期危险因素不同,质量也存在差异。此外,深度学习方法可以区分婴儿的动态和非动态CP,以及单侧和双侧痉挛性CP。这种新方法可以通过启动有针对性的干预措施来改善功能、预防并发症和个性化随访,从而支持早期儿科护理决策。与之前发表的传统的基于机器学习的CP预测方法相比,该预测方法有了很大的改进

  在这项预后研究中,新的基于深度学习的CP预测模型在外部多中心高危婴儿样本中的预测精度与GMA结果相当。该预测模型还可区分可动性与非动性CP,以及单侧与双侧痉挛性CP。一种用于预测CP的全自动运动分析可为临床医生护理高危婴儿提供重要的决策支持。18,21需要进一步的研究来确定与CP结局相关的特定运动生物标志物,并促进广泛的临床应用。