The 5000 Babies Project: Early detection of cerebral palsy movement patterns in infants
Diese Machbarkeitsstudie zeigt, dass Techniken der Computer Vision, angewandt auf Videodaten von Säuglingen, die Zerebralparese effektiv vorhersagen können, indem durch die Analyse von aus der Pose abgeleiteten kinematischen Merkmalen mittels Deep-Learning-Modellen ein medianer ROC-AUC-Wert von 0,82 erreicht wird.
Originalarbeit lizenziert unter CC BY 4.0 (https://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
Stellen Sie sich vor, Sie versuchen, einen neuen Tanz zu lernen, indem Sie ein Video von jemandem beobachten, der ihn ausführt. Wenn Sie nur ein paar verschwommene Einzelbilder sehen, könnten Sie den Rhythmus verpassen. Aber wenn Sie ein klares, ruhiges Video und einen intelligenten Computer haben, der jeden Schritt, jedes Winken des Arms und jede Drehung des Körpers verfolgen kann, könnten Sie beginnen, Muster zu erkennen, die Sie mit bloßem Auge nicht bemerkt hätten. Dies ist das Herzstück eines Feldes namens „Computer Vision“ (Computersehen), in dem Maschinen lernen, Bewegungen so zu „sehen“ und zu verstehen, wie es Menschen tun. In der Welt der Medizin wird diese Technologie eingesetzt, um winzige Hinweise in der Art und Weise zu finden, wie Babys sich bewegen, die auf eine Erkrankung namens Zerebralparese (CP) hindeuten könnten. CP ist eine Gruppe von Störungen, die die Fähigkeit einer Person beeinflussen, sich zu bewegen und ihre Körperhaltung aufrechtzuerhalten, verursacht durch Schäden am entwickelnden Gehirn. Derzeit müssen Ärzte oft warten, bis ein Kind 18 bis 24 Monate alt ist, um eine fundierte Diagnose zu stellen, da die Bewegungen von Babys schwierig zu interpretieren sein können. Aber Wissenschaftler wissen: Je früher sie das Problem erkennen, desto früher können sie dem Kind helfen, was zu viel besseren Ergebnissen führt. Die große Frage ist: Kann ein Computer ein Video eines Babys betrachten und diese frühen Warnzeichen schneller und zuverlässiger erkennen als ein menschlicher Experte?
Genau das wollte das „5000 Babies Project“ testen. Ein Team von Forschern aus Krankenhäusern und Technologieunternehmen sammelte Videomaterial von 930 Säuglingen im Alter zwischen null und sechs Monaten. Sie haben die Videos nicht nur angeschaut; sie haben sie in ein Computerprogramm eingespeist, das darauf ausgelegt ist, als digitaler Skelett-Tracker zu fungieren. Dieses Programm, das auf bewährter Technologie basiert, kartierte 12 Schlüsselpunkte am Körper jedes Babys – wie Handgelenke, Ellbogen, Schultern, Hüften, Knie und Knöchel – und erstellte so eine bewegliche Strichmännchen-Darstellung jeder noch so kleinen Bewegung. Das Ziel war zu sehen, ob der Computer lernen konnte, den Unterschied zwischen dem „typischen“ Wackeln eines gesunden Babys und den „atypischen“ Bewegungsmustern zu erkennen, die später zu einer Diagnose von Zerebralparese führen könnten.
Die Forscher behandelten dies wie eine massive Trainingssession für einen KI-Schüler. Sie ließen den Computer tausende Videoframes analysieren und suchten nach spezifischen „kinematischen Merkmalen“, was nur eine schicke Art und Weise ist, um „Bewegungsmessungen“ zu sagen. Sie testeten verschiedene Arten, diese Bewegungen zu messen: War der Computer besser darin, zu beobachten, wie weit eine Hand von der Schulter entfernt war? Oder durch die Überprüfung, ob sich die linke Körperseite anders bewegte als die rechte? Sie testeten auch zwei Arten von Videoclips: „saliente“ (bedeutsame) Clips, bei denen es sich um 90-sekündige Segmente handelt, die von menschlichen Experten sorgfältig ausgewählt wurden, um das Baby klar und ruhig in Bewegung zu zeigen, und „nicht-saliente“ Clips, die einfach nur zufällige Ausschnitte aus dem Video waren, die auch beinhalten konnten, dass das Baby weint oder abgelenkt ist.
Die Ergebnisse waren eine Mischung aus aufregenden Möglichkeiten und wichtigen Lehren. Der Computer lernte, dass die nützlichsten Hinweise nicht darin lagen, wie ein einzelnes Gelenk für sich allein funktionierte, sondern vielmehr im Abstand zwischen zwei Gelenken. Es war so, als würde man realisieren, dass man, um einen Tanz zu verstehen, nicht nur den Fuß beobachtet, sondern auch, wie der Fuß in Relation zum Knie und zur Hüfte steht. Speziell fand der Computer heraus, dass das Verfolgen des Abstands zwischen Gelenken auf derselben Körperseite (wie das linke Handgelenk zum linken Knöchel) der leistungsstärkste Weg war, um die mit Zerebralparese assoziierten Muster zu erkennen. Wenn der Computer mit den „salienten“ Clips trainiert wurde – also jenen, die Menschen als die besten Beispiele ausgewählt hatten –, schnitt er ziemlich gut ab und erreichte einen Wert (genannt ROC-AUC) von 0,82. Das bedeutet, er konnte zwischen typischen und atypischen Fällen mit einem hohen Maß an Genauigkeit unterscheiden, wobei er etwa 81 % der Babys, die später mit CP diagnostiziert wurden, korrekt identifizierte und etwa 71 % derjenigen, die es nicht hätten, korrekt ausschloss.
Das Studium widerlegte jedoch auch einige Ideen. Der Computer hatte Schwierigkeiten, wenn er versuchte, aus den „nicht-salienten“ Clips zu lernen; seine Leistung sank signifikant, was darauf hindeutet, dass es nicht ausreicht, einer Maschine einfach nur zufällige Videos zuzuführen. Er stellte auch fest, dass es nicht ausreichte, nur ein Gelenk gleichzeitig zu betrachten oder sich zu sehr darauf zu konzentrieren, wie stark der Torso des Babys verdreht war, um eine gute Vorhersage zu treffen. Tatsächlich waren einige Modelle, die nur auf dem Rotationswinkel des Babys basierten, so bestrebt, ein Problem zu finden, dass sie fast jedes Baby als CP markierten, was zu vielen Fehlalarmen führte.
Letztendlich legt diese Studie nahe, dass die Nutzung von Computer Vision zur Analyse von Babybewegungen ein vielversprechender Weg nach vorne ist. Sie zeigt, dass eine Maschine lernen kann, die subtilen Unterschiede in der Art und Weise zu sehen, wie sich ein Baby bewegt, insbesondere wenn sie sich auf die Beziehung zwischen verschiedenen Körperteilen konzentriert und wenn ihr qualitativ hochwertige, von Experten ausgewählte Videodaten zur Verfügung gestellt werden. Obwohl dies kein magisches Heilmittel oder ein fertiges Produkt ist, das bereits in jeder Arztpraxis bereitsteht, beweist es das Konzept. Die Forscher fanden heraus, dass Computer mit den richtigen Daten und der richtigen Art, Bewegung zu messen, zu mächtigen Partnern beim frühzeitigen Erkennen von Zerebralparese werden können, was potenziell mehr Babys dabei helfen kann, die Unterstützung zu erhalten, die sie brauchen, um aufzublühen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.