The 5000 Babies Project: Early detection of cerebral palsy movement patterns in infants

新しいダンスを、誰かが踊っている動画を見て学ぼうとしている場面を想像してみてください。もし、数フレームのぼやけた映像しか見られないとしたら、リズムを見逃してしまうかもしれません。しかし、もしクリアで安定した動画があり、あらゆるステップ、腕の振り、そして体のひねりを追跡できる賢いコンピュータがあれば、肉眼では気づけなかったパターンを見つけ出せるかもしれません。これが「コンピュータビジョン」と呼ばれる分野の核心です。そこでは、機械が人間と同じように動きを「見て」、理解することを学びます。医学の世界では、この技術を使って、脳性麻痺（CP）という疾患の兆候となる可能性がある、赤ちゃんの動きの中の微細な手がかりを見つけ出そうとしています。CPは、発達中の脳へのダメージによって引き起こされる、人の動きや姿勢の維持に影響を与える一連の障害です。現在、赤ちゃんの動きは解釈が難しいため、医師は確定診断を下すまでに、通常、子供が18ヶ月から24ヶ月になるまで待たなければなりません。しかし、科学者たちは、問題をより早く発見できれば、より早く子供を支援し始めることができ、それがはるかに良い結果につながることを知っています。大きな疑問は、「コンピュータは赤ちゃんの動画を見て、人間の専門家よりも速く、かつ確実に、これらの初期警告サインを見つけ出すことができるのか？」ということです。

これこそが、「5000 Babies Project」が検証しようとしたことです。病院とテック企業の研究チームは、生後0ヶ月から6ヶ月までの乳児930人のビデオ映像を集めました。彼らはただ動画を観たのではありません。彼らは、デジタル・スケルトン・トラッカー（デジタル骨格追跡器）として機能するように設計されたコンピュータプログラムに、それらの映像を読み込ませました。このプログラムは、市販の技術を用いて、手首、肘、肩、腰、膝、足首といった各赤ちゃんの体の12の主要なポイントをマッピングし、あらゆる微細な動きの「動く棒人間」の表現を作成しました。目的は、コンピュータが、健康な赤ちゃんの「典型的な」もぞもぞとした動きと、将来的に脳性麻痺の診断につながる可能性のある「非典型的な」運動パターンとの違いを学習できるかどうかを確認することでした。

研究者たちは、これをAIの学生に対する大規模なトレーニングセッションのように扱いました。彼らはコンピュータに数千フレームのビデオを分析させ、「運動学的特徴（kinematic features）」、つまり「動きの測定値」と呼ぶにふさわしいものを探させました。彼らは、これらの動きを測定するさまざまな方法をテストしました。例えば、コンピュータは、赤ちゃんの手が肩からどれくらい離れているかを見ることで、より優れた結果を出せたのでしょうか？ それとも、体の左側が右側と異なる動きをしているかを確認することででしょうか？ また、彼らは2種類のビデオクリップもテストしました。一つは「サリエント（顕著な）」クリップで、これは人間による専門家が、赤ちゃんが明確かつ穏やかに動いている様子を示すものとして慎重に選んだ90秒間のセグメントです。もう一つは「ノンサリエント（非顕著な）」クリップで、これは赤ちゃんが泣いていたり、注意が逸れていたりする可能性もある、ランダムなビデオの断片です。

結果は、エキサイティングな可能性と重要な教訓の両方を示していました。コンピュータは、最も有用な手がかりは単一の関節が単独でどのように動くかではなく、二つの関節の間の距離にあることを学びました。それは、ダンスを理解するためには、足だけを見るのではなく、足が膝や股関節とどのように関係しているかを見る必要があると気づくようなものでした。具体的には、コンピュータは、体の同じ側にある関節同士（例えば、左の手首から左の足首まで）の距離を追跡することが、脳性麻痺に関連するパターンを見つけ出すための最も強力な方法であることを発見しました。コンピュータが（人間がベストな例として選んだ）「サリエント」クリップで学習したとき、その性能は非常に高く、ROC-AUCスコア0.82を達成しました。これは、コンピュータが典型的なケースと非典型的なケースを高い精度で区別でき、将来的にCPと診断される赤ちゃんを約81%の割合で正しく特定し、診断されないであろう赤ちゃんを約71%の割合で正しく除外できたことを意味します。

しかし、この研究はいくつかの仮説も否定しました。コンピュータは「ノンサリエント」なクリップから学習しようとすると苦戦し、その性能は大幅に低下しました。これは、単にランダムなビデオを機械に読み込ませるだけでは不十分であることを示唆しています。また、一度に一つの関節だけを見たり、赤ちゃんの胴体の回転に注目しすぎたりしても、優れた予測を行うための十分な情報が得られないことも判明しました。実際、赤ちゃんの回転角のみに依存したモデルの中には、問題を熱心に見つけようとしすぎるあまり、ほとんどすべての赤ちゃんをCPとしてフラグ立てしてしまうものもあり、多くの誤報（偽陽性）を招きました。

結局のところ、この研究は、コンピュータビジョンを用いて赤ちゃんの動きを分析することが、有望な道であることを示唆しています。これは、適切なデータと、動きを測定するための適切な方法があれば、コンピュータが、特に体の異なる部分同士の関係性に焦点を当てることで、動きの微妙な違いを学習できることを証明しています。これはまだ魔法の治療法でもなければ、あらゆる医師の診察室にすぐに導入できる完成された製品でもありませんが、コンセプトが機能することを証明しています。研究者たちは、正しいデータと正しい動きの測定方法があれば、コンピュータは、脳性麻痺をより早期に発見するための強力なパートナーとなり、より多くの赤ちゃんが健やかに成長するために必要なサポートを受けられるよう支援できることを発見したのです。