TokenSTFormer: A Tokenized Spatial-temporal Attention Model for Holistic Motion Analysis in Adolescent Idiopathic Scoliosis Screening
Dieses Papier stellt den ScoliGait-Datensatz und TokenSTFormer vor, ein neuartiges tokenisiertes räumlich-zeitliches Attention-Modell, das durch die Nutzung ganzheitlicher Gangbewegungsmerkmale zur Überwindung der Einschränkungen traditioneller Methoden eine erstklassige Genauigkeit beim Screening von Adoleszenter Idiopathischer Skoliose erreicht.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Die menschliche Wirbelsäule ist eine bemerkenswerte Struktur, die darauf ausgelegt ist, sowohl flexibel als auch stark zu sein, doch sie kann während der Teenagerjahre eine subtile, seitliche Krümmung entwickeln. Dieser Zustand, bekannt als adoleszente idiopathische Skoliose, betrifft einen erheblichen Teil von Kindern weltweit. Wenn er unbemerkt bleibt, kann sich die Krümmung verschlimmern, was im späteren Leben zu chronischen Schmerzen und emotionaler Belastung führen kann. Seit Jahrzehnten verlassen sich Ärzte auf einen einfachen körperlichen Test, bei dem sich ein Kind nach vorne beugt, um etwaige Asymmetrien im Rücken zu offenbaren, oder auf Röntgenaufnahmen, um den exakten Winkel der Krümmung zu messen. Während Röntgenaufnahmen der Goldstandard für die Diagnose sind, beinhalten sie Strahlung, und die körperlichen Tests können subjektiv sein, da sie je nach Geschick des Untersuchers oder dem Körpertyp des Patienten variieren. Es besteht eine wachsende Notwendigkeit für eine Screening-Methode, die nicht-invasiv, einfach in Schulen oder Kliniken anwendbar und in der Lage ist, diese Krümmungen frühzeitig zu erkennen, bevor sie schwerwiegend werden.
Ein Forschungsteam der Universität Hongkong hat einen neuen Ansatz für dieses Problem gewählt, indem es untersucht hat, wie Menschen gehen. Anstatt sich auf eine statische Momentaufnahme des Rückens oder eine einzelne Röntgenaufnahme zu verlassen, entwickelten sie ein System, das die Bewegung des gesamten Körpers über die Zeit analysiert. Sie erstellten eine neue Datensammlung namens ScoliGait, die über 1.500 Videoclips von Teenagern umfasst, die gehen, jeweils gepaart mit einer entsprechenden Röntgenaufnahme, die bestätigt, ob sie an Skoliose leiden. Dieser Datensatz ist einzigartig, da er die Art und Weise, wie eine Person sich bewegt, mit der tatsächlichen medizinischen Diagnose verknüpft und so eine zuverlässige Grundlage bietet, um einen Computer darauf zu trainieren, die subtilen Anzeichen der Erkrankung zu erkennen. Die Forscher fanden heraus, dass die Art und Weise, wie eine Person mit Skoliose geht, sich von der eines Menschen ohne die Erkrankung unterscheidet – nicht nur in der Position ihrer Wirbelsäule, sondern in den komplexen, rhythmischen Mustern ihres gesamten Körpers.
Um diese Videos verständlich zu machen, entwickelte das Team ein neues Modell für künstliche Intelligen Intelligenz, das sie TokenSTFormer nennen. Stellen Sie sich vor, man nimmt ein Video und zerlegt es in winzige Informationseinheiten, die sowohl repräsentieren, wo sich die Körperteile befinden, als auch, wie sie sich im Laufe der Zeit bewegen. Das Modell behandelt diese Teile als distinkte Einheiten oder „Tokens“, was es dem Modell ermöglicht, die Beziehung zwischen der Form des Körpers und dem Timing der Bewegung zu verstehen. Durch die Organisation dieser Informationen in einer spezifischen Weise kann das Modell lernen, die verborgenen Muster zu erkennen, die auf eine Wirbelsäulenkrümmung hindeuten. Die Forscher entwarfen dieses System so, dass es mit einer handelsüblichen Smartphone-Kamera funktioniert, was es möglich macht, ein Kind beim Durchqueren eines Flurs aufzunehmen und das Filmmaterial sofort zu analysieren, ohne teure medizinische Geräte zu benötigen oder das Kind Strahlung auszusetzen.
Die Ergebnisse ihrer Tests waren vielversprechend. Als sie ihr neues Modell mit einem Standardtyp von Bildanalyse-Werkzeugen verglichen, schnitt ihr System besser bei der Identifizierung sowohl derer mit der Erkrankung als auch derer ohne sie ab. In ihren Tests identifizierte das Modell die Erkrankung in fast 85 Prozent der Fälle, in denen sie vorhanden war, korrekt und behielt insgesamt ein hohes Maß an Genauigkeit bei. Dies deutet darauf hin, dass das Modell nicht bloß rät, sondern tatsächlich die spezifischen Unterschiede im Gangbild lernt, die mit Skoliose einhergehen. Die Studie zeigte auch, dass die Zerlegung der Bewegungsdaten in diese spezifischen räumlichen und zeitbasierten Einheiten entscheidend war; ohne diese Methode sank die Fähigkeit des Modells, die Erkrankung zu erkennen, signifikant.
Die Forscher beschränkten sich nicht nur auf den Bau des Modells; sie entwickelten auch eine Methode, die Bewegungsdaten so darzustellen, dass die Privatsphäre der Personen geschützt wird. Anstatt das eigentliche Video des Kindes zu speichern, konvertiert das System die Bewegung in eine „kinematische Wissenskarte“ – eine Reihe von Zahlen, die die Bewegung beschreiben, ohne preiszugeben, wer die Person ist. Dies ermöglicht es, das System auf mobilen Geräten zu nutzen und gleichzeitig die Daten anonym und sicher zu halten. Die Studie unterstreicht, dass es durch die Konzentration auf die Bewegung des gesamten Körpers statt auf nur einen einzelnen Winkel oder ein statisches Bild möglich ist, ein Screening-Tool zu schaffen, das sowohl effektiv als auch skalierbar ist. Obwohl diese Arbeit ein bedeutender Schritt nach vorn ist, merken die Autoren an, dass sie ein Proof-of-Concept ist, der den Weg für zukünftige klinische Anwendungen ebnen soll und einen potenziellen Pfad zu einer einfacheren, sichereren und zugänglicheren Methode zum Screening auf Skoliose bei Jugendlichen bietet.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.