TokenSTFormer: A Tokenized Spatial-temporal Attention Model for Holistic Motion Analysis in Adolescent Idiopathic Scoliosis Screening
Cet article présente le jeu de données ScoliGait et TokenSTFormer, un nouveau modèle d'attention spatio-temporelle tokenisée qui atteint une précision de pointe dans le dépistage de la scoliose idiopathique de l'adolescent en exploitant les caractéristiques holistiques du mouvement de la marche pour surmonter les limites des méthodes traditionnelles.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
La colonne vertébrale humaine est une structure remarquable, conçue pour être à la fois flexible et robuste, mais elle peut développer une subtile courbure latérale pendant l'adolescence. Cette affection, connue sous le nom de scoliose idiopathique de l'adolescent, touche une partie importante d'enfants à travers le monde. Si elle passe inaperçue, la courbure peut s'aggraver, entraînant des douleurs chroniques et une détresse émotionnelle plus tard dans la vie. Pendant des décées, les médecins se sont appuyés sur un test physique simple où l'enfant se penche en avant pour révéler toute asymétrie du dos, ou sur des radiographies pour mesurer l'angle exact de la courbure. Bien que les radiographies soient la référence pour le diagnostic, elles impliquent des radiations, et les tests physiques peuvent être subjectifs, variant selon la compétence de l'examinateur ou la morphologie du patient. Il existe un besoin croissant pour une méthode de dépistage non invasive, facile à utiliser dans les écoles ou les cliniques, et capable de détecter ces courbures précocement avant qu'elles ne deviennent sévères.
Une équipe de chercheurs de l'Université de Hong Kong a adopté une nouvelle approche de ce problème en observant la façon dont les gens marchent. Au lieu de s'appuyer sur un instantané statique du dos ou sur une radiographie unique, ils ont développé un système qui analyse le mouvement de l'ensemble du corps au fil du temps. Ils ont créé une nouvelle collection de données appelée ScoliGait, qui comprend plus de 1 500 clips vidéo de adolescents marchant, chacun associé à une radiographie correspondante confirmant la présence ou l'absence de scoliose. Cet ensemble de données est unique car il lie la façon dont une personne se déplace au diagnostic médical réel, fournissant une base fiable pour entraîner un ordinateur à reconnaître les signes subtils de la pathologie. Les chercheurs ont découvert que la façon de marcher d'une personne atteinte de scoliose est différente de celle d'une personne n'ayant pas la condition, non seulement dans la position de sa colonne vertébrale, mais aussi dans les motifs complexes et rythmiques de l'ensemble de son corps.
Pour donner du sens à ces vidéos, l'équipe a construit un nouveau type de modèle d'intelligence artificielle qu'ils appellent TokenSTFormer. Imaginez prendre une vidéo et la décomposer en de minuscules morceaux d'information représentant à la fois l'emplacement des parties du corps et la façon dont elles bougent au fil du temps. Le modèle traite ces morceaux comme des unités distinctes, ou « tokens », ce qui lui permet de comprendre la relation entre la forme du corps et le rythme du mouvement. En organisant cette information d'une manière spécifique, le modèle peut apprendre à repérer les motifs cachés qui indiquent une courbure de la colonne vertébrale. Les chercheurs ont conçu ce système pour qu'il fonctionne avec une caméra de smartphone standard, rendant possible l'enregistrement d'un enfant marchant dans un couloir et l'analyse instantanée de la séquence sans avoir besoin d'équipement médical coûteux ou d'exposer l'enfant à des radiations.
Les résultats de leurs tests ont été prometteurs. Lorsqu'ils ont comparé leur nouveau modèle à un outil classique d'analyse d'image, leur système s'est avéré plus performant pour identifier tant ceux qui présentent la condition que ceux qui n'en ont pas. Lors de leurs tests, le modèle a identifié correctement la condition dans près de 85 pour cent des cas où elle était présente, et il a maintenu un haut niveau de précision globale. Cela suggère que le modèle ne fait pas que deviner, mais qu'il apprend réellement les différences spécifiques de la démarche qui accompagnent la scoliose. L'étude a également montré que le fait de décomposer les données de mouvement en ces unités spatiales et temporelles spécifiques était crucial ; sans cette méthode, la capacité du modèle à détecter la condition chutait de manière significative.
Les chercheurs ne se sont pas arrêtés à la construction du modèle ; ils ont également créé un moyen de représenter les données de mouvement qui protège la vie privée des individus. Au lieu de stocker la vidéo réelle de l'enfant, le système convertit le mouvement en une « carte de connaissances cinématiques », un ensemble de nombres qui décrit le mouvement sans révéler l'identité de la personne. Cela permet au système d'être utilisé sur des appareils mobiles tout en gardant les données anonymes et sécurisées. L'étude souligne qu'en se concentrant sur le mouvement de l'ensemble du corps plutôt que sur un seul angle ou une image statique, il est possible de créer un outil de dépistage qui soit à la fois efficace et évolutif. Bien que ce travail soit une étape importante, les auteurs notent qu'il s'agit d'une preuve de concept destinée à ouvrir la voie à de futures applications cliniques, offrant une voie potentielle vers un dépistage de la scoliose plus simple, plus sûr et plus accessible pour les adolescents.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.