Interpretable Multiclass Parkinson’s Disease Classification from Single-Camera Video Using Kinematic and Nonlinear Dynamic Features

ملخص تقني: تصنيف متعدد الفئات قابل للتفسير لمرض باركنسون من فيديو بكاميرا واحدة

بيان المشكلة
مرض باركنسون (PD) هو اضطراب عصبي تدريجي يتميز بأعراض حركية مثل ضعف المشية، وبطء الحركة، والتصلب. وبينما تُعد المقاييس السريرية مثل مقياس (UPDRS) هي المعيار القياسي للتقييم، إلا أنها غالبًا ما تكون ذاتية وغير حساسة لتغيرات المشية الدقيقة. أما الطرق الموضوعية الحالية، مثل التقاط الحركة ومنصات القوة، فهي دقيقة ولكنها مكلفة وغير عملية للاستخدام الروتيني. توفر النهج القائمة على الرؤية الحاسوبية بديلاً غير تلامسي، ومع ذلك تواجه الأدبيات الحالية ثلاث فجوات مستمرة:

1. معظم الدراسات تصيغ الكشف عن مرض باركنسون كمهمة ثنائية (مريض مقابل سليم)، متجاهلة المهمة الأكثر أهمية سريريًا وهي تحديد مراحل الشدة (مثل التمييز بين باركنسون الخفيف مقابل المتوسط).
2. بينما تم التحقق من صحة مقاييس الديناميكيات غير الخطية (مثل البعد الجزئي والاعتلاج/الإنتروبيا) كعلامات بيولوجية حساسة، إلا أن دمجها في مسار تصنيف متعدد الفئات وقابل للتفسير لا يزال غير مستكشف.
3. مجموعات بيانات مشية باركنسون المتاحة علنًا عادة ما تكون صغيرة، وغير متوازنة، وتفتقر إلى التنوع، مما يؤدي إلى خطر عالٍ من تقديرات الأداء المتفائلة إذا لم يتم تصميم بروتوكولات التقييم بصرامة لمنع تسرب البيانات.

المنهجية
يقترح المؤلفون إطار عمل يعتمد على كاميرا واحدة وبدون علامات (markerless)، يستخرج السمات الحركية والديناميكية غير الخطية من تقدير الوضع القائم على الفيديو لتصنيف المشية إلى ثلاث فئات: سليم (NM)، باركنسون خفيف (PD_ML)، وباركنسون متوسط (PD_MD).

• جمع البيانات والمعالجة المسبقة: تستخدم الدراسة مجموعة بيانات عامة (Kour et al., 2020, 2022) تحتوي على 78 عينة فيديو صالحة (57 سليم، 10 باركنسون خفيف، 11 باركنسون متوسط). تم تسجيل الفيديوهات بسرعة 25 إطارًا في الثانية باستخدام كاميرا RGB ثابتة. تم إجراء تقدير الوضع باستخدام (MediaPice Holistic) لاستخراج 33 معلمًا تشريحيًا، مع التركيز على مفاصل الأطراف العلوية والسفلية.
• استخراج السمات:
  • السمات الحركية (Kinematic Features): ستة واصفات على مستوى الخطوة تشمل زمن الخطوة، زمن التأرجح، زمن الوقوف، طول الخطوة، وسرعة الخطوة.
  • سمات الديناميكيات غير الخطية (NLD Features): أربعة مقاييس تم حسابها من السلاسل الزمنية لإحداثيات المفاصل ثنائية الأبعاد: أس (Hurst Exponent)، تعقيد ليمبل-زيف (LZC)، تحليل التقلب غير المنحدر (DFA)، والبعد الصندوقي (D).
  • نتج عن ذلك فضاء سمات أولي مكون من 46 بُعدًا (40 سمة ديناميكية غير خطية + 6 سمات حركية).
• اختيار السمات: لمعالجة صغر حجم العينة ومنع الإفراط في التخصيص (overfitting)، استخدم المؤلفون مسار تحقق تبادلي متداخل وصارم. تم إجراء اختيار السمات باستخدام معايير المربعات الصغرى العادية (OLS) (مثل Mallows' Cp، وAIC، وBIC، وAdjusted R²) على هدف ثنائي معاد ترميز مؤقتًا (سليم مقابل باركنسون) لتحديد المجموعات الفرعية المثلى. نتج عن ذلك ثلاث مجموعات ثابتة من السمات:
  • الحالة 1: 7 سمات (Cp/BIC)
  • الحالة 2: 9 سمات (AIC)
  • الحالة 3: 19 سمة (Adjusted R²)
• تدريب النموذج والتقييم: تم تقييم ثلاثة نماذج تعلم آلي: الغابة العشوائية (RF)، وآلة ناقلات الدعم (SVM) مع نواة RBF، والشبكة العصبية الأمامية (NN).
  • بروتوكول التحقق: تم استخدام التحقق المتبادل الطبقي المتكرر المكون من 5 طيات (10 تكرارات). ومن الأهمية بمكان أن جميع خطوات المعالجة المسبقة (التحجيم، وتوازن الفئات باستخدام SMOTE) قد تمت فقط داخل طيات التدريب لمنع تسرب المعلومات.
  • القابلية للتفسير: تم تحليل أهمية السمات باستخدام أهمية التبديل (Permutation Importance) لنموذج الغابة العشوائية، وقيم SHAP لنماذج SVM والشبكة العصبية.
  • دراسة الاستئصال (Ablation Study): تم اختبار النماذج على مجموعات السمات (الحركية فقط، الديناميكية غير الخطية فقط، والمجمعة).

المساهمات الرئيسية

1. تحديد مراحل الشدة متعدد الفئات: يوضح العمل جدوى التمييز بين مراحل باركنسون (السليم، الخفيف، والمتوسط) باستخدام سمات المشية المستخرجة من تقدير الوضع، متجاوزًا مجرد الكشف الثنائي.
2. دمج الديناميكيات غير الخطية: تحدد الدراسة أن الواصفات الديناميكية غير الخطية، وخاصة تلك المستمدة من المفاصل الطرفية (الرسغ، الكاحل، المرفق)، تشكل غالبية السمات المختارة وتعمل كعلامات بيولوجية مرشحة قوية لتباين المشية في مرض باركنسون.
3. إطار تقييم صارم: طبق المؤلفون مسار تحقق تبادلي متداخل وصارم يحصر اختيار السمات وإعادة أخذ العينات داخل الطيات، مما يضمن تقدير أداء غير منحاز في بيئة شحيحة البيانات.

النتائج

• الأداء: على مجموعة الاختبار المحجوبة (حوالي 16 عينة)، حققت جميع النماذج دقة عالية.
  • الحالة 2 (9 سمات): حققت النماذج الثلاثة (RF، SVM، NN) دقة بنسبة 100% ودقة واستدعاء مثاليين عبر جميع الفئات في مجموعة الاختبار.
  • الحالتان 1 و3: حققت النماذج دقة بنسبة 93.75%، حيث وقعت الأخطاء بشكل أساسي في التمييز بين فئات باركنسون الأقلية (الخفيف أو المتوسط).
  • التحقق المتبادل: حقق نموذج SVM مع نواة RBF أعلى متوسط دقة في التحقق المتبادل (0.8366)، بينما حققت الشبكة العصبية دقة مماثلة (0.8338) مع تباين أقل.
• أهمية السمات:
  • هيمنت السمات الديناميكية غير الخطية على المجموعات المختارة (تراوحت بين 71% إلى 84% من السمات عبر الحالات المختلفة).
  • شملت المساهمات الرئيسية طول الخطوة (حركي) ومقاييس الديناميكيات غير الخطية مثل أس (Hurst) للرسغ، وتعقيد ليمبل-زيف للكاحل، وDFA للركبة/الكتف.
  • أظهرت دراسات الاستئصال أنه بينما كانت السمات الحركية هي المحرك للدقة في المجموعات الأصغر، فإن مجموعة السمات المجمعة قدمت باستمرار الأداء الأكثر استقرارًا وتوازنًا (أعلى معدل F1 وAUC).
• الكفاءة الحسابية: أظهر نموذج SVM أقل أوقات التدريب والاستنتاج، مما يجعله مناسبًا للتطبيقات في الوقت الفعلي. أما الشبكات العصبية فقد تكبدت تكاليف حسابية أعلى بكثير ولكنها ظلت ضمن النطاقات المقبولة للاستخدام السريري غير المباشر (offline).

الأهمية والادعاءات
يدعي البحث توفير أساس لتقييم المشية المدعوم بالذكاء الاصطناعي والقابل للتوسع في الرعاية الصحية العصبية الحركية. تكمن أهميته الأساسية في إثبات أن التصنيف متعدد الفئات والقابل للتفسير لمشية باركنسون يمكن تحقيقه باستخدام فيديو قياسي بكاميرا واحدة دون الحاجة إلى أجهزة متخصصة.

يشير المؤلفون بتواضع إلى أنه بينما النتائج واعدة، فإن الطبيعة الصغيرة وغير المتوازنة لمجموعة البيانات تحد من قوة ادعاءات التعميم. ويؤكدون أن المقاييس غير الخطية تعمل كواصفات تجريبية لتباين المشية وليس كشروحات ميكانيكية للعمليات العصبية. بناءً على ذلك، تدعو الدراسة إلى مزيد من العمل المستقبلي الذي يشمل مجموعات أكبر ومستقلة، ودمج المتغيرات الديموغرافية (العمر، الطول) للتحقق من هذه النتائج وتحسين الفائدة السريرية لهذه العلامات البيولوجية الرقمية. يُقدم الإطار كمنصة متعددة الاستخدامات قابلة للتوسع لتشمل أمراض مشية أخرى، مما يسد الفجوة بين ديناميكيات المشية المعقدة والرؤى السريرية القابلة للتطبيق.