AI识别婴儿运动的关键模式

非常年轻的婴儿自发运动中的微妙特征可能会揭示其神经发育的临床重要方面。众所周知，临床专家对典型运动模式（一般运动，通用汽车）的视觉评估可有效，例如脑瘫（CP）。“一个三个月大的婴儿表现出经常发生的刻板印象，整个身体和四肢运动。著名的缺席是高度预测了CP的后来出现。”赫尔辛基大学临床神经生理学教授Sampsa Vanhatalo说。

非常早期的鉴定和随后的治疗干预措施将对减轻CP的神经发育影响非常有益。目前，一个孩子在更晚年被诊断出患有CP，通常在6个月至2岁之间。通用汽车分析在早期发现CP方面有希望，但是，它需要通过国际教学课程获得的特殊专业知识，这有效地限制了具有相关技能的医生或治疗师的数量。此外，以目前形式的GM分析基于视觉评估，这始终是主观的。”迫切需要客观和自动化方法。他们将允许采用更广泛的运动分析，并使大多数（如果不是全部）世界上的儿童都可以使用它。” Vanhatalo说。

棍子人揭示了必需品

赫尔辛基大学和比萨大学的研究人员着手探索躺在床上的婴儿的传统视频记录可能会转变为对婴儿运动的量化分析的可能性。They collaborated with people from an AI company based in Tampere, Neuro Event Labs, who were able to create a method for an accurate extraction of children’s movements (using a technique known as pose estimation), allowing for the construction of a simplified “stick man” (or skeleton) video.

接下来，研究人员将Stick人物视频提供给具有通用专业知识的医生，以查看这些视频中是否保留了诊断至关重要的信息。仅使用Stick图视频，医生就可以在95％的病例中分配诊断组，证明已经保留了临床上基本的信息。

研究表明，自动化算法可能会从正常视频记录中提取临床上重要的运动模式。这些棍子提取可直接用于定量分析。为了证明这种潜力，研究人员提供了概念分析的证明，其中简单的棍子运动运动显示出正常运动或异常运动的婴儿组之间存在明显的差异。

使用Stick Figure视频还可以在无隐私问题的情况下在研究社区之间进行全世界的共享。这是在该领域内建立跨国研究活动的重要瓶颈。Vanhatalo总结说：“这最终将实现一种真正的大数据开发，以更好地定量运动分析，”自从这项研究以来，我们已经收集了较大的数据集，包括3D视频记录，并且我们目前正在开发基于AI的方法。用于婴儿运动成熟度评估。理由是简单的：如果儿童的计算评估与孩子的真实年龄不符，则孩子存在发展问题。”

运动分析讲述了神经发育

除了早期的CP检测外，自动运动分析在评估婴儿神经系统发育中还具有许多潜在的应用。Vanhatalo说：“我们可以创建一种功能增长图表。”

运动分析也可以以各种方式使用以改善治疗性决策。这种方法可以提供定量手段，以客观地衡量不同治疗策略的功效；恢复医学的全球热门话题之一。自动运动分析还可以允许对儿童的院外筛查，以确定需要进一步护理的孩子，或者在关注儿童成长的情况下提供正常性的保证。“使用机器学习和人工智能可以从简单的本地视频录制中提取大量临床有用的信息。最终的目的是找到能够提供世界各地提供高甚至优质的婴儿医疗保健成为可能的方法。” Vanhatalo总结道。