人工智能从婴儿运动的视频镜头中识别关键模式

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，代表典型运动模式的普通运动（GMS）的临床专家（GMS）的视觉评估在早期鉴定脑瘫（CP）方面有效。

赫尔斯基大学临床神经生理学教授Sampsa Vanhatalo说：“一个三个月大的婴儿经常出现在整个身体和四肢中发生的刻板印象，类似舞蹈的动作。著名的缺乏是高度预测CP的出现。”。

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，通常在六个月至两岁之间。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。

Vanhatalo说：“迫切需要客观和自动化的方法。它们将允许采用更广泛的运动分析，并使大多数（即使不是全部）世界上的儿童都可以使用。”

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。他们与位于坦佩雷的AI公司Neuro Event Labs的人员合作。他们能够使用一种称为姿势估计的技术来精确提取儿童运动的方法，从而构建简化的“棍子人”（或骨骼）视频。

接下来，研究人员将视频提供给具有通用专业知识的医生，以确定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必不可少的信息。

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。为了证明这一潜力，研究人员提供了概念分析的证明，其中简单的棍子运动措施显示了两组之间的明显差异婴儿具有正常运动或异常运动。

使用Stick Figure视频还可以在全球研究社区之间共享无隐私问题。这是在该领域内建立跨国研究活动的重要瓶颈。

Vanhatalo说：“这最终将实现一种真正的大数据开发，以更好地进行婴儿进行定量运动分析。”

“自这项研究以来，我们收集了较大的数据集，包括3-D视频记录，并且我们目前正在开发一种基于AI的婴儿运动成熟度评估的方法。理由是简单的：如果计算，孩子就会出现发展问题。评估运动成熟度与孩子的真实年龄不符。”

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。”

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，以客观地衡量治疗策略的功效，这是现代恢复医学中的热门话题之一。自动化移动分析还可以允许对儿童进行院外筛查，以确定需要进一步护理的孩子，或者在关注儿童的成长方面提供对正常的保证。

“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上有用的信息。最终的目的是找到能够在各地提供高甚至优质的婴儿医疗保健的方法世界，” Vanhatalo总结说。

---

---