ارزیابی بیماران فلج مغزی با یادگیری ماشین

به گزارش اکونگار به نقل از هوشیتو، رفتن به مطب پزشک می‎تواند دردسرساز باشد، این‌کار به ویژه برای والدین کودکان مبتلا به اختلالات حرکتی مانند فلج مغزی می‌تواند چالش برانگیز باشد، زیرا پزشک باید کودک را شخصاً به طور منظم و اغلب برای یک ساعت در یک زمان ارزیابی نماید. رسیدن به این ارزیابی‌های مکرر می‌تواند پرهزینه، زمان‌بر و از نظر احساسی سخت باشد.

مهندسان MIT امیدوارند با روش جدیدی که از راه دور عملکرد حرکتی بیماران را ارزیابی می‌کند، مقداری از این استرس را کاهش دهند. این روش با ترکیب بینایی کامپیوتری و تکنیک‌های یادگیری ماشینی، ویدئوهای بیماران را در زمان واقعی تجزیه‌و‌تحلیل می‌کند و امتیاز بالینی عملکرد حرکتی را بر اساس الگوهای خاصی از وضعیت‌هایی که در فریم‌های ویدئو تشخیص می‌دهد، محاسبه می‌کند.

محققان این روش را بر روی ویدئوهای بیش از ۱۰۰۰ کودک مبتلا به فلج مغزی آزمایش کردند. آنها دریافتند که این روش می‌تواند هر ویدیو را پردازش کند و امتیاز بالینی را با دقت بیش از ۷۰ درصد با آنچه پزشک قبلاً در طی یک ویزیت حضوری تعیین کرده بود، تعیین نماید.

تجزیه‌و‌تحلیل ویدیو را می‌توان در طیف وسیعی از دستگاه‌های تلفن‌همراه اجرا کرد. این تیم پیش‌بینی می‌کند که بیماران می‌توانند به‌سادگی با تنظیم تلفن یا تبلت خود برای فیلمبرداری در حین حرکت در خانه خود، پیشرفت آنها را ارزیابی کنند. سپس می‌توانند ویدیو را در برنامه‌ای بارگذاری کنند که به سرعت فریم‌های ویدیو را تجزیه‌و‌تحلیل می‌کند و یک امتیاز بالینی یا سطح پیشرفت را تعیین می‌نماید. سپس می‌توان ویدئو و امتیاز را برای بررسی به پزشک ارسال کرد.

این تیم در حال حاضر رویکردی را برای ارزیابی کودکان مبتلا به لوکودیستروفی متاکروماتیک؛ یک اختلال ژنتیکی نادر که بر سیستم عصبی مرکزی و محیطی تاثیر می‌گذارد، طراحی کرده است. آنها همچنین امیدوارند که این روش را برای ارزیابی بیمارانی که سکته مغزی را تجربه کرده‌اند، تطبیق دهند.

محققان ابتدا به بینایی کامپیوتری و الگوریتم‌هایی که حرکات انسان را تخمین می‌زنند، نگاه کردند. در سال‌های اخیر، دانشمندان الگوریتم‌های تخمین ژست را توسعه داده‌اند که برای فیلم‌برداری، به عنوان مثال، از لگد زدن یک دختر به توپ فوتبال و ترجمه حرکات او به مجموعه‌ای از ژست‌های اسکلت در زمان واقعی طراحی شده‌اند. دنباله خطوط و نقاط به دست آمده را می‌توان به مختصاتی ترسیم کرد که دانشمندان می‌توانند بیشتر تحلیل کنند.

کربس و همکارانش با هدف توسعه روشی برای تجزیه و تحلیل داده‌های وضعیت اسکلت بیماران مبتلا به فلج مغزی؛ اختلالی که به طور سنتی در امتداد سیستم طبقه‌بندی عملکرد حرکتی درشت (GMFCS) ارزیابی می‌شود، یک مقیاس پنج سطحی ایجاد کردند که عملکرد حرکتی عمومی کودک را نشان می‌دهد.

این تیم با مجموعه‌ای از داده‌های اسکلت در دسترس عموم کار کردند که توسط آزمایشگاه بیومکانیک عصبی عضلانی دانشگاه استنفورد تهیه شده بود. این مجموعه داده شامل ویدئوهای بیش از ۱۰۰۰ کودک مبتلا به فلج مغزی است. هر ویدئو یک کودک را در حال انجام یک سری تمرینات در یک محیط بالینی نشان می‌داد و هر ویدئو با نمره GMFCS که پزشک پس از ارزیابی حضوری به کودک اختصاص می‌داد، برچسب‌گذاری شد. گروه استنفورد ویدئوها را از طریق یک الگوریتم تخمین پوز برای تولید داده‌های حالت اسکلت اجرا کرد، که سپس گروه MIT به عنوان نقطه شروع برای مطالعه خود استفاده کرد.

محققان سپس به دنبال راه‌هایی برای رمزگشایی خودکار الگوهای موجود در داده‌های فلج مغزی بودند که مشخصه هر سطح عملکرد حرکتی بالینی است.

قبل از اینکه این گروه از شبکه عصبی برای فلج مغزی استفاده کنند، از مدلی استفاده کردند که بر روی یک مجموعه داده کلی‌تر آموزش داده شده بود، که شامل ویدیوهایی از بزرگسالان سالم بود که فعالیت‌های روزانه مختلفی مانند راه رفتن، دویدن، نشستن و دست دادن را انجام می‌دادند. آنها ستون فقرات این مدل از پیش آموزش دیده را گرفتند و یک لایه طبقه‌بندی جدید، مخصوص نمرات بالینی مربوط به فلج مغزی، به آن اضافه کردند. آنها شبکه را برای تشخیص الگوهای متمایز در حرکات کودکان فلج مغزی تنظیم کردند و آنها را به طور دقیق در سطوح اصلی ارزیابی بالینی طبقه‌بندی کردند.

این محققان دریافتند که شبکه از پیش آموزش دیده طبقه‌بندی صحیح سطوح تحرک کودکان را آموخته و این‌کار را با دقت بیشتری نسبت به زمانی که فقط بر روی داده‌های فلج مغزی آموزش دیده باشد، انجام می‌دهد.