使用AI基于电机损伤诊断神经疾病

我们移动的方式对我们的大脑的状态说了很多。虽然正常的电机行为指向健康的大脑功能，但偏差可以表示由于神经疾病的障碍。因此，运动模式的观察和评估是基础研究的一部分，同时也是临床应用中无侵入性诊断的最重要的仪器之一。在计算机科学家的领导下，BjörnOMER博士和瑞士的研究人员合作，在海德堡大学开发了一种新的基于计算机的方法。由于尤其与人类测试人员进行了研究，这种方法能够充分自动识别电机损伤，并通过分析借助人工智能提供有关潜在疾病类型的信息。

对于计算机支持的运动分析，受试者通常必须被贴上反射标记，或者在评估框架内制作的视频材料上应用虚拟标记。这两种程序都比较复杂。此外，明显的运动行为必须提前知道，以便进一步研究。“一个真正的诊断工具不仅应该确认运动障碍，还应该能够首先识别它们，并正确地对它们进行分类，”Ommer教授解释说，他是海德堡大学跨学科科学计算中心计算机视觉小组的负责人。

精确地通过他的团队开发的新型诊断方法，并且被称为“使用深度学习的无监督行为分析和放大”（UBAM）。底层算法基于机器学习使用人工神经网络随着海德堡科学家解释，它识别独立和完全自动的特征行为和病理偏差。该算法确定了什么身体的一部分通过直接在视频中突出显示不同类型的偏差并使其可见，作为一种适用于行为模式的放大镜的一种放大镜。作为其中的一部分，相关的视频材料与其他健康或同样受损的受试者进行比较。还可以以这种方式记录和分析治疗电机障碍的进展。根据OMMER教授的说法，结论也可以绘制大脑中的神经元活动。

UBAM接口的基础是所谓的卷积神经网络，一种神经网络的类型，用于图像识别和图像处理目的。科学家们训练了网络，以识别在不同科目的情况下的类似运动行为，即使它们在外观方面的差异很大。这是可能的，因为人工智能可以区分姿势和外观。除了障碍的识别和量化外，对症状的详细分析也很重要。“要详细研究它们，我们使用生成神经网络，”OMER教授说。“这种方式，我们可以帮助神经科学家和临床医生专注于可能被裸眼忽略的运动行为中的微妙偏差，并通过放大偏差来使它们很容易看到。然后我们可以恰好划分个人案件中的疾病类型。“

研究团队已经能够通过不同的动物模型和与人类患者的研究来证明这种新方法的有效性。除其他外，他们测试了UBAM可以区分健康和受损的运动活动的精度。在他们对主题的出版物中，科学家们在小鼠和人类患者中报告了非常高的检索率。“本体中，我们的研究表明，与传统方法相比，基于人工智能的方法提供了更加细致的结果，努力明显减少，”BjörnOMER强调。

关于申请，科学家希望UBAM将在基本生物医学研究和临床诊断中使用。bob88体育平台登录OMMER教授：“界面可以应用，其中传统方法证明过于复杂，繁琐，或者不高效。可能导致大脑中的神经元过程更好地了解新的治疗选择。”

除了Heidelberg研究人员与OMER教授合作，苏黎世大学和苏黎世大学，Balgrist大学医院和神经科学中心苏黎世的科学家也参与了开发UBAM界面。这项研究的一部分资金来自德国研究基金会以及科学和瑞士国家基金会的Branco Weiss奖学金社会。结果已在期刊上发表自然机器智力。

---

---