Interpretable Multiclass Parkinson’s Disease Classification from Single-Camera Video Using Kinematic and Nonlinear Dynamic Features

技術要約：単一カメラ動画を用いた解釈可能なパーキンソン病多クラス分類

問題提起
パーキンソン病（PD）は、歩行障害、無動、および筋固縮といった運動症状を特徴とする進行性の神経変性疾患である。UPDRSのような臨床スケールは標準的な評価手法であるが、これらは主観的であり、微妙な歩行の変化に対しては感度が低いことが多い。モーションキャプチャや床反力計などの既存の客観的手法は正確ではあるものの、高価であり、日常的な使用には実用的ではない。ビジョンベースのアプローチは非接触の代替手段を提供するが、現在の文献には以下の3つの持続的な課題が存在する：

1. ほとんどの研究がPD検出を二値分類（PD vs 健康）として捉えており、臨床的に重要なタスクである重症度判定（例：軽度PDと中等度PDの区別）を軽視している。
2. 非線形動態指標（フラクタル次元、エントロピーなど）はバイオマーカーとして有効であることが検証されているが、これらを解釈可能な多クラス分類パイプラインに統合する試みは未だ開拓されていない。
3. 公開されているPD歩行データセットは通常、小規模で不均衡であり、多様性に欠けるため、評価プロトコルがデータリークを防ぐよう厳格に設計されていない場合、楽観的な性能推定を招くリスクが高い。

手法
著者らは、ビデオベースのポーズ推定から運動学的および非線形動態の特徴量を抽出する、単一カメラ・マーカーレスのフレームワークを提案し、歩行を3つのカテゴリ（健康（NM）、軽度PD（PD_ML）、中等度PD（PD_MD））に分類する。

• データ取得および前処理： 本研究では、78個の利用可能なビデオサンプル（NM 57、PD_ML 10、PD_MD 11）を含む公開データセット（Kour et al., 2020, 2022）を利用している。ビデオは固定されたRGBカメラを用いて25 fpsで記録された。ポーズ推定にはMediaPipe Holisticを用い、上下肢の関節に焦点を当てて33個の解剖学的ランドマークを抽出した。
• 特徴量抽出：
  • 運動学的特徴量： 歩行周期時間、遊脚時間、立脚時間、歩幅、歩行速度を含む6つのストライドレベルの記述子。
  • 非線形動態（NLD）特徴量： 2次元関節座標時系列から算出された4つの指標：ハースト指数（H）、レンプレル・ジブ複雑度（LZC）、脱トレンド揺らぎ解析（DFA）、およびボックスカウンティング次元（D）。
  • これにより、初期の46次元の特徴空間（NLD 40 ＋ 運動学的特徴 6）が得られた。
• 特徴量選択： サンプルサイズの小ささに対応し、過学習を防ぐため、著者らは厳格な入れ子状（ネスト）交差検証パイプラインを採用した。特徴量選択は、一時的に再コード化された二値ターゲット（NM vs PD）に対する最小二乗法（OLS）基準（Mallows' Cp、AIC、BIC、自由度調整済みR²）を用いて行われ、最適なサブセットを特定した。これにより、3つの固定された特徴量セットが得られた：
  • ケース1：7つの特徴量（Cp/BIC）
  • ケース2：9つの特徴量（AIC）
  • ケース3：19つの特徴量（自由度調整済みR²）
• モデルの学習と評価： 3つの機械学習モデル（ランダムフォレスト（RF）、RBFカーネルを用いたサポートベクターマシン（SVM）、およびフィードフォワードニューラルネットワーク（NN））を評価した。
  • 検証プロトコル： 繰り返し層化5分割交差検証（10回繰り返し）が用いられた。極めて重要な点として、すべての前処理（スケーリング、クラスバランスのためのSMOTE）は、情報リークを防ぐために、訓練フォールド内でのみ実行された。
  • 解釈可能性： 特徴量の重要度は、パーミュテーション重要度（RF用）およびSHAP値（SVMおよびNN用）を用いて分析された。
  • アブレーション研究： モデルは、運動学的特徴のみ、NLDのみ、および結合された特徴量セットに対してテストされた。

主な貢献

1. 多クラスの重症度判定： 本研究は、健康、軽度、および中等度のPDステージを、ポーズ推定された歩行特徴量を用いて区別できる可能性を示しており、二値検出を超えた成果を上げている。
2. 非線形動態の統合： 本研究は、非線形動態記述子、特に遠位関節（手首、足首、肘）から導出された記述子が、選択された特徴量の大部分を占め、PDにおける歩行変動の強力な候補バイオマーカーとなることを特定した。
3. 厳格な評価フレームワーク： 著者らは、特徴量選択とリサンプリングをフォールド内に限定する厳格な入れ子状交差検証パイプラインを実装しており、データが乏しい環境においても偏りのない性能推定を保証している。

結果

• 性能： ホールドアウトテストセット（約16サンプル）において、すべてのモデルが高い精度を達成した。
  • ケース2（9つの特徴量）： すべてのモデル（RF、SVM、NN）が、テストセットにおいて100%の精度、および全クラスにわたる完全な適合率（Precision）と再現率（Recall）を達成した。
  • ケース1および3： モデルは93.75%の精度を達成したが、エラーは主にマイノリティクラス（PD_MLまたはPD_MD）の識別時に発生した。
  • 交差検証： RBFカーネルを用いたSVMが最も高い平均交差検証精度（0.8366）を達成し、ニューラルネットワークは、より低い分散を伴いつつ、同等の精度（0.8338）を達成した。
• 特徴量の重要度：
  • 非線形動態特徴量が選択されたサブセットを支配した（ケース全体で71%から84%の特徴量）。
  • 主要な寄与因子には、歩幅（運動学的特徴）および、NLD指標であるハースト指数（手首）、レンプレル・ジブ複雑度（足首）、およびDFA（膝/肩）が含まれる。
  • アブレーション研究では、小さな特徴量セットでは運動学的特徴が精度を牽引したが、結合された特徴量セットが、最も安定かつバランスの取れた性能（最高のマクロF1およびAUC）を一貫して提供したことが示された。
• 計算効率： SVMは最も低い学習および推論時間を記録し、リアルタイムアプリケーションへの適性が示された。ニューラルネットワークは大幅に高い計算コストを要したが、オフラインの臨床利用としては許容範囲内に留まった。

意義と主張
本論文は、標準的な単一カメラ動画を用いて、専門的なハードウェアなしで解釈可能な多クラス分類のパーキンソン病歩行が可能であることを示す基盤を提供すると主張している。その主な意義は、解釈可能な多クラス分類のパーキンソン病歩行が、標準的な単一カメラ動画を用いて達成可能であることを実証した点にある。

著者らは、結果は有望であるものの、データセットの小規模さと不均衡さが、一般化の主張の強さを制限していることを謙虚に述べている。また、非線形指標は、神経学的プロセスのメカニズム的な説明ではなく、歩行変動の経験的な記述子として機能していることを強調している。したがって、本研究は、これらの知見を検証し、デジタルバイオマーカーとしての臨床的有用性を洗練させるために、より大規模で独立したコホートへの展開、および人口統計学的共変量（年齢、身長）の統合を今後の課題として提唱している。本フレームワークは、複雑な歩行動態と実行可能な臨床的洞察の間の溝を埋める、他の歩行疾患にも拡張可能な汎用プラットフォームとして提示されている。