TokenSTFormer: A Tokenized Spatial-temporal Attention Model for Holistic Motion Analysis in Adolescent Idiopathic Scoliosis Screening
Questo articolo introduce il dataset ScoliGait e TokenSTFormer, un nuovo modello di attenzione spaziotemporale tokenizzata che raggiunge l'accuratezza allo stato dell'arte nello screening della scoliosi idiopatica adolescenziale sfruttando le caratteristiche olistiche del movimento della deambulazione per superare i limiti dei metodi tradizionali.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
La colonna vertebrale umana è una struttura straordinaria, progettata per essere sia flessibile che forte, eppure può sviluppare una sottile curvatura laterale durante l'adolescenza. Questa condizione, nota come scoliosi idiopatica adolescenziale, colpisce una parte significativa di bambini in tutto il mondo. Se non rilevata, la curva può peggiorare, portando a dolore cronico e disagio emotivo in seguito nella vita. Per decenni, i medici si sono affidati a un semplice test fisico in cui un bambino si piega in avanti per rivelare eventuali asimmetrie nella schiena, o alle radiografie per misurare l'esatto angolo della curva. Sebbene le radiografie siano il gold standard per la diagnosi, esse comportano l'uso di radiazioni, e i test fisici possono essere soggettivi, variando in base alla capacità dell'esaminatore o alla corporatura del paziente. Esiste un crescente bisogno di un metodo di screening che sia non invasivo, facile da usare nelle scuole o nelle cliniche e capace di individuare queste curve precocemente, prima che diventino gravi.
Un team di ricercatori dell'Università di Hong Kong ha adottato un nuovo approccio a questo problema osservando il modo in cui le persone camminano. Invece di fare affidamento su un'istantanea statica della schiena o su una singola radiografia, hanno sviluppato un sistema che analizza il movimento dell'intero corpo nel tempo. Hanno creato una nuova collezione di dati chiamata ScoliGait, che comprende oltre 1.500 clip video di adolescenti che camminano, ciascuna accoppiata a una corrispondente radiografia che conferma se presentano la scoliosi. Questo dataset è unico perché collega il modo in cui una persona si muove alla diagnosi medica effettiva, fornendo una base affidabile per addestrare un computer a riconoscere i segni sottili della condizione. I ricercatori hanno scoperto che il modo in cui una persona con scoliosi cammina è diverso da quello di qualcuno senza la condizione, non solo nella posizione della colonna vertebrale, ma nei complessi schemi ritmici dell'intero corpo.
Per dare un senso a questi video, il team ha costruito un nuovo tipo di modello di intelligenza artificiale chiamato TokenSTFormer. Immaginate di prendere un video e scomporlo in minuscole unità di informazione che rappresentano sia dove si trovano le parti del corpo, sia come si muovono nel tempo. Il modello tratta questi pezzi come unità distinte, o "token", permettendogli di comprendere la relazione tra la forma del corpo e la tempistica del movimento. Organizzando queste informazioni in un modo specifico, il modello può imparare a individuare i modelli nascosti che indicano una curva spinale. I ricercatori hanno progettato questo sistema affinché funzioni con la fotocamera di uno smartphone standard, rendendo possibile registrare un bambino che cammina in un corridoio e analizzare istantaneamente il filmato senza bisogno di costose apparecchiature mediche o esporre il bambino alle radiazioni.
I risultati dei loro test sono stati promettenti. Quando hanno confrontato il loro nuovo modello con uno strumento standard di analisi delle immagini, il loro sistema è risultato più efficace nell'identificare sia coloro che presentavano la condizione, sia coloro che non l'avevano. Nei loro test, il modello ha identificato correttamente la condizione in quasi l'85 percento dei casi in cui era presente, e ha mantenuto un alto livello di precisione complessiva. Ciò suggerisce che il modello non sta solo tirando a indovinare, ma sta realmente imparando le differenze specifiche della andatura che accompagnano la scoliosi. Lo studio ha anche dimostrato che scomporre i dati del movimento in queste specifiche unità spaziali e temporali era fondamentale; senza questo metodo, la capacità del modello di rilevare la condizione diminuiva significativamente.
I ricercatori non si sono fermati alla costruzione del modello; hanno anche creato un modo per rappresentare i dati del movimento che protegga la privacy degli individui. Invece di memorizzare il video effettivo del bambino, il sistema lo converte in una "mappa della conoscenza cinematica", un insieme di numeri che descrive il movimento senza rivelare l'identità della persona. Ciò consente al sistema di essere utilizzato su dispositivi mobili mantenendo i dati anonimi e sicuri. Lo studio evidenzia che, concentrandosi sul movimento dell'intero corpo piuttosto che su un singolo angolo o un'immagine statica, è possibile creare uno strumento di screening che sia efficace e scalabile. Sebbene questo lavoro sia un passo avanti significativo, gli autori sottolineano che si tratta di una prova di concetto destinata a spianare la strada a future applicazioni cliniche, offrendo una potenziale via verso un modo più semplice, sicuro e accessibile per lo screening della scoliosi negli adolescenti.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.