TokenSTFormer: A Tokenized Spatial-temporal Attention Model for Holistic Motion Analysis in Adolescent Idiopathic Scoliosis Screening
Este artículo presenta el conjunto de datos ScoliGait y TokenSTFormer, un novedoso modelo de atención espacio-temporal tokenizada que logra una precisión de vanguardia en la detección de la escoliosis idiopática adolescente al aprovechar las características holísticas del movimiento de la marcha para superar las limitaciones de los métodos tradicionales.
Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
La columna vertebral humana es una estructura notable, diseñada para ser tanto flexible como fuerte, aunque puede desarrollar una sutil curva lateral durante la adolescencia. Esta condición, conocida como escoliosis idiopática adolescente, afecta a una parte significativa de los niños en todo el mundo. Si no se detecta a tiempo, la curva puede empeorar, provocando dolor crónico y angustia emocional más adelante en la vida. Durante décadas, los médicos han dependido de una prueba física sencilla donde un niño se inclina hacia adelante para revelar cualquier asimetría en la espalda, o en radiografías para medir el ángulo exacto de la curva. Si bien las radiografías son el estándar de oro para el diagnóstico, estas implican radiación, y las pruebas físicas pueden ser subjetivas, variando según la habilidad del examinador o el tipo de cuerpo del paciente. Existe una necesidad creciente de un método de detección que sea no invasivo, fácil de usar en escuelas o clínicas, y capaz de detectar estas curvas tempranamente antes de que se vuelvan severas.
Un equipo de investigadores de la Universidad de Hong Kong ha adoptado un nuevo enfoque para este problema al observar cómo camina la gente. En lugar de depender de una instantánea estática de la espalda o de una sola radiografía, desarrollaron un sistema que analiza el movimiento de todo el cuerpo a lo largo del tiempo. Crearon una nueva colección de datos llamada ScoliGait, que incluye más de 1.500 videoclips de adolescentes caminando, cada uno emparejado con una radiografía correspondiente que confirma si tienen escoliosis. Este conjunto de datos es único porque vincula la forma en que una persona se mueve con el diagnóstico médico real, proporcionando una base confiable para entrenar a una computadora para reconocer los signos sutiles de la condición. Los investigadores descubrieron que la forma en que una persona con escoliosis camina es diferente a la de alguien sin la condición, no solo en la posición de su columna, sino en los complejos patrones rítmicos de todo su cuerpo.
Para dar sentido a estos videos, el equipo construyó un nuevo tipo de modelo de inteligencia artificial que llaman TokenSTFormer. Imagine tomar un video y descomponerlo en diminutas piezas de información que representan tanto dónde están las partes del cuerpo como cómo se mueven a lo largo del tiempo. El modelo trata estas piezas como unidades distintas, o tokens, lo que le permite comprender la relación entre la forma del cuerpo y el tiempo del movimiento. Al organizar esta información de una manera específica, el modelo puede aprender a detectar los patrones ocultos que indican una curva espinal. Los investigadores diseñaron este sistema para que funcione con la cámara de un teléfono inteligente estándar, haciendo posible grabar a un niño caminando por un pasillo y analizar instantáneamente la filmación sin necesidad de equipos médicos costosos o exponer al niño a la radiación.
Los resultados de sus pruebas fueron prometedores. Cuando compararon su nuevo modelo con una herramienta estándar de análisis de imágenes, su sistema funcionó mejor al identificar tanto a aquellos con la condición como a aquellos sin ella. En sus pruebas, el modelo identificó correctamente la condición en casi el 85 por ciento de los casos en los que estaba presente, y mantuvo un alto nivel de precisión general. Esto sugiere que el modelo no solo está adivinando, sino que está aprendiendo genuinamente las diferencias específicas en la marcha que acompañan a la escoliosis. El estudio también mostró que descomponer los datos del movimiento en estas unidades espaciales y temporales específicas era crucial; sin este método, la capacidad del modelo para detectar la condición disminuía significativamente.
Los investigadores no se detuvieron solo en la construcción del modelo; también crearon una forma de representar los datos de movimiento que protege la privacidad de los individuos. En lugar de almacenar el video real del niño, el sistema convierte el movimiento en un "mapa de conocimiento cinemático", un conjunto de números que describe el movimiento sin revelar quién es la persona. Esto permite que el sistema se utilice en dispositivos móviles manteniendo los datos anónimos y seguros. El estudio destaca que, al centrarse en el movimiento de todo el cuerpo en lugar de solo un ángulo o una imagen estática, es posible crear una herramienta de detección que sea tanto efectiva como escalable. Si bien este trabajo es un paso significativo, los autores señalan que es una prueba de concepto diseñada para allanar el camino para futuras aplicaciones clínicas, ofreciendo una vía potencial hacia una forma más simple, segura y accesible de detectar la escoliosis en adolescentes.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.