Deep Learning Pose Estimation for Multi-Label Recognition of Combined Hyperkinetic Movement Disorders

技術要約：複合的な過運動障害のマルチラベル認識のためのディープラーニングを用いた姿勢推定

問題提起
ジストニア、振戦（トレモル）、コレア、ミオクローヌス、チックを含む過運動障害（HMD）は、臨床的な認識および長期的なモニタリングにおいて大きな課題となっている。これらの疾患は、変動的、間欠的、かつ頻繁に併発する運動徴候を特徴とする。現在の臨床評価は主観的な観察と標準化された評価スケールに依存しており、これらは運動現象の全容を捉えきれないことが多く、検者間誤差が生じやすく、複数の重複する表現型を同時に識別する能力にも欠けている。日常的な診療ビデオから、複合的なHMDを判別・定量化するための客観的かつスケーラブルな手法が切実に求められている。特に、外来診療や遠隔評価での利用において重要である。

手法
著者らは、標準的な外来ビデオを、8つの特定のHMD（ジストニア、振戦、ミオクローヌス、コレア、アセテトーシス、バリスムス、ステレオティピー、チック）を検出するための解剖学的に意味のある時系列データへと変換するように設計された、ポーズベースの機械学習フレームワークを開発した。パイプラインは主に4つの段階で構成される：

1. ビデオ処理および姿勢推定：

   • ルーチン診療ビデオ（30 FPSでスマートフォンにより撮影）は、OpenCVを用いてフレームごとに処理される。
   • 最先端のディープラーニングモデルであるYOLOv8（具体的には yolov8x-pose-p6.pt）が、2D人体姿勢推定のために17個の標準的な解剖学的キーポイント（頭部、上肢、体幹、下肢）をフレームごとに検出する。
   • キーポイントの座標は、空間的な精度を保持するために、正規化された画像空間から絶対ピクセル座標へと変換される。

2. 特徴量抽出およびエンジニアリング：

   • キーポイントの軌跡は、専門家による臨床注釈に合わせて、固定長（10秒間）のウィンドウに分割される。
   • 各ランドマークについて、2D座標からスカラー変位信号（$d_t$）が導出される。
   • これらの変位信号から、各ウィンドウにつき374個の特徴量（22個の特徴量 × 17ランドマーク）が抽出される。これらの特徴量は以下のように分類される：
     • 統計的記述子： 平均、標準偏差、分散、歪度、尖度、エネルギー、範囲。
     • 時間的／動的特徴： 傾き、平均絶対加速度、移動平均。
     • スペクトル特徴： 高速フーリエ変換（FFT）による主要周波数およびピーク振幅。
     • 非線形／複雑性特徴： ヒグチ・フラクタル次元および置換エントロピー。
   • 特徴量は、臨床に基づいた運動学的ファミリー（例：ベースラインの姿勢、持続的な偏位、振幅、リズム性、方向性）および解剖学的領域ごとに整理されている。

3. 分類戦略：

   • ウィンドウレベルのスクリーニング： 二値分類タスクとして、症状を発現している患者のウィンドウと、健康な対照群のウィンドウを対比させる。この設定では、病的な動きと正常なパターンの識別能を評価する。
   • 患者レベルのマルチラベル推論： 疾患の共存に対処するため、ウィンドウレベルの確率を**パーセンタイル・プーリング（p90）**を用いて被験者レベルへと集計する。
   • 閾値設定： 学習被験者において、健康な対照群における偽陽性を明示的に最小化する「コントロール認識型（control-aware）」の動作レジームの下で、ラベル固有の決定閾値を調整する。
   • モデル： 様々な教師あり分類器（XGBoost、LightGBM、ランダムフォレスト、SVM、MLP、ロジスティック回帰を含む）をベンチマークする。ハイパーパラメータはグリッドサーチを通じて最適化され、必要に応じて確率較正（プラット・スケーリング）が適用される。
   • 検証： データリークを防ぐため、厳格なStratifiedGroupKFoldを用いた交差検証を行う。これにより、単一の被験者からのすべてのウィンドウが、訓練またはテストのいずれかのフォールドに完全に含まれることを保証する。

4. 解釈可能性：

   • 決定レベルの特徴量の重要度は、保持されたテストフォールドに対する**パーミューテーション重要度（permutation importance）**を用いて定量化される。これは、ある特徴量を置換した際の患者レベルの決定エラーの増加量（$\Delta error$）を測定するものであり、モデルの決定を特定の運動学的ファミリーや解剖学的領域に結びつけるものである。

主な貢献

• マルチラベル・フェノタイピング： 単一の疾患の二値分類を超え、複数の共存するHMDを同時に検出できるフレームワークを導入した。
• 臨床的に解釈可能な特徴量： 生のピクセルや単純な関節座標を用いる「ブラックボックス」的なアプローチとは異なり、本手法は臨床的概念（例：リズム性、不規則性、姿勢の偏位）に直接対応する、エンジニアリングされた時系列記述子に依存している。
• コントロール認識型動作レジーム： 本システムは、健康な対照群における誤報を最小限に抑えるよう明示的に設計されており、これはスクリーニングツールにとって極めて重要な要件である。
• コンセンサス・グラウンドトゥルース： 2名の盲検化された臨床医による専門的な注釈を、注釈者固有のノイズを減らし、堅牢なグラウンドトゥルースを確立するために調和させた。

結果

• ウィンドウレベルの性能： 識別能は表現型によって異なる。特徴的な運動学的シグネチャを持つジストニア（$F1_1 \approx 0.84–0.89$）、コレア（$F1_1 \approx 0.81–0.96$）、振戦（$F1_1 \approx 0.82–0.83$）では強い結果が得られた。間欠的または混合的なパターンを示す表現型（アセテトーシス、バリスムス、ステレオティピー、ミオクローヌス）は、短いクリップ内での境界定義の難しさに起因して、ウィンドウレベルの信頼性が低かった。
• 患者レベルの集計： 繰り返される10秒間の観察を集計することで、被験者の特定が大幅に改善された。システムはすべての症状において、健康な対照群に対して**高い特異度（1.00）**を達成しており、これは、短時間の反復観察が非病的な個人において偽陽性のラベル付けをめったに引き起こさないことを示している。
• マルチラベル識別： 患者レベルにおいて、最も優れたパイプラインは macro-AUPRC $0.821 \pm 0.019$ および macro-AUC $0.830 \pm 0.029$ を達成した。最良のハミング精度（完全なラベルベクトルの正解率）は $0.764 \pm 0.041$ であった。
• エラー分析： 200件の患者ラベル決定（25名×8ラベル）のうち、28件のエラーが発生した（正解率86.0%）。チックは完璧に特定された（偽陽性も偽陰性もなし）。ジストニアは高い感度を示し、見逃されたのはわずか1例であった。振戦とアセテトーシスは、境界線上の提示や他のパターンとの重複に起因して、最も高い残留エラー負荷を示した。
• 特徴量の重要度： 決定レベルの分析により、患者レベルの判定は主に変位に基づく証拠（ベースラインの姿勢、持続的な偏位、および極端な振幅）に依存していることが明らかになった。リズム性および高次の不規則性／複雑性の記述子は、選択的かつ二次的な寄与を提供していた。解剖学的には、頭部および近位上肢のランドマークが最も影響力があり、これは標準的な臨床ビデオにおけるそれらの可視性と一致している。

意義および主張
本論文は、複雑で併発する過運動障害のスケーラブルで客観的、かつ説明可能なビデオベースのフェノタイピングの実現可能性を実証していると主張している。日常的な外来ビデオを解剖学的に意味のある運動学的データに変換することで、本フレームワークは、多大な労力と主観を要する臨床スケールの代替手段を提供する。

著者らは、本システムは臨床的専門知識を置き換えるのではなく、それをサポートするように設計されていることを強調している。「表現型固有の動作環境（operating landscape）」により、システムを異なる臨床的優先事項（例：スクリーニングのための高感度、あるいは確定診断のための高特異度）に合わせて調整することが可能である。結果は、ポーズ由来の特徴量が、証拠を集計した際に、過運動活動として誤分類されにくい安定した正常運動パターンを捉えられる一方で、特定の病的なシグネチャを区別できることを示唆している。

本研究は、現在の結果は有望ではあるものの、ドメインシフト（カメラ、照明、衣服）に対処し、多様な集団や設定における汎用性を確立するために、外部の多施設共同前方視的研究が必要であると結論付けている。著者らは、本研究を、変動する神経疾患のより頻繁で客観的なモニタリングを可能にし、遠隔患者管理や標的を絞った治療介入を促進するための第一歩として位置づけている。