TokenSTFormer: A Tokenized Spatial-temporal Attention Model for Holistic Motion Analysis in Adolescent Idiopathic Scoliosis Screening
Dit artikel introduceert de ScoliGait-dataset en TokenSTFormer, een nieuw getokeniseerd spatio-temporeel aandachtmodel dat de staat van de kunst bereikt in de nauwkeurigheid van de screening op adolescent idiopathische scoliose door holistische loopbewegingskenmerken te benutten om de beperkingen van traditionele methoden te overwinnen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
De menselijke ruggengraat is een opmerkelijke structuur, ontworpen om zowel flexibel als sterk te zijn, maar kan tijdens de tienerjaren een subtiele, zijwaartse kromming ontwikkelen. Deze aandoening, bekend als adolescent idiopathische scoliose, treft een aanzienlijk deel van de kinderen wereldwijd. Als het onopgemerkt blijft, kan de kromming verergeren, wat later in het leven leidt tot chronische pijn en emotionele nood. Decennialang hebben artsen vertrouwd op een eenvoudige fysieke test waarbij een kind voorover buigt om enige asymmetrie in de rug te onthullen, of op röntgenfoto's om de exacte hoek van de kromming te meten. Hoewel röntgenfoto's de gouden standaard zijn voor diagnose, brengen ze straling met zich mee, en de fysieke tests kunnen subjectief zijn, variërend afhankelijk van de vaardigheid van de onderzoeker of het lichaamstype van de patiënt. Er is een groeiende behoefte aan een screeningsmethode die niet-invasief is, gemakkelijk te gebruiken in scholen of klinieken, en in staat is om deze krommingen vroegtijdig op te merken voordat ze ernstig worden.
Een team onderzoekers van de Universiteit van Hongkong heeft een nieuwe aanpak voor dit probleem gekozen door te kijken naar hoe mensen lopen. In plaats van te vertrouwen op een statisch beeld van de rug of een enkele röntgenfoto, hebben zij een systeem ontwikkeld dat de beweging van het hele lichaam over een bepaalde tijd analyseert. Ze hebben een nieuwe collectie gegevens ontwikkeld genaamd ScoliGait, die meer dan 1.500 videoclips bevat van tieners die lopen, elk gekoppeld aan een bijbehorende röntgenfoto die bevestigt of zij scoliose hebben. Deze dataset is uniek omdat het de manier waarop iemand beweegt koppelt aan de werkelijke medische diagnose, wat een betrouwbare basis biedt voor het trainen van een computer om de subtiele tekenen van de aandoening te herkennen. De onderzoekers ontdekten dat de manier waarop iemand met scoliose loopt verschilt van iemand zonder de aandoening, niet alleen in de positie van de ruggengraat, maar ook in de complexe, ritmische patronen van het hele lichaam.
Om deze video's betekenis te geven, bouwde het team een nieuw type kunstmatige intelligentie-model dat zij TokenSTFormer noemen. Stel je voor dat je een video neemt en deze afbreekt in kleine stukjes informatie die zowel vertegenwoordigen waar de lichaamsdelen zich bevinden als hoe ze in de loop van de tijd bewegen. Het model behandelt deze stukjes als afzonderlijke eenheden, of tokens, waardoor het de relatie tussen de vorm van het lichaam en de timing van de beweging kan begrijpen. Door deze informatie op een specifieke manier te organiseren, kan het model leren om de verborgen patronen te herkennen die op een rugkromming wijzen. De onderzoekers hebben dit systeem zo ontworpen dat het werkt met een standaard smartphonecamera, waardoor het mogelijk is om een kind een gang af te laten lopen en de beelden direct te analyseren zonder dat er dure medische apparatuur nodig is of het kind wordt blootgesteld aan straling.
De resultaten van hun testen waren veelbelovend. Wanneer zij hun nieuwe model vergeleken met een standaard type beeldanalyse-instrument, presteerde hun systeem beter bij het identificeren van zowel degenen met de aandoening als degenen zonder het. In hun tests identificeerde het model de aandoening correct in bijna 85 procent van de gevallen waarin deze aanwezig was, en het behield een hoog niveau van nauwkeurigheid over het algemeen. Dit suggereert dat het model niet simpelweg gokt, maar daadwerkelijk de specifieke verschillen in de gang die gepaard gaan met scoliose leert herkennen. De studie toonde ook aan dat het opdelen van de bewegingsgegevens in deze specifieke ruimtelijke en tijdsgebonden eenheden cruciaal was; zonder deze methode daalde het vermogen van het model om de aandoening te detecteren aanzienlijk.
De onderzoekers stopten niet bij het bouwen van het model; ze creëerden ook een manier om de bewegingsgegevens weer te geven die de privacy van de individuen beschermt. In plaats van de werkelijke video van het kind op te slaan, zet het systeem de beweging om in een "kinematische kenniskaart", een reeks getallen die de beweging beschrijven zonder te onthullen wie de persoon is. Hierdoor kan het systeem op mobiele apparaten worden gebruikt terwijl de gegevens anoniem en veilig blijven. De studie benadrukt dat door zich te richten op de beweging van het hele lichaam in plaats van op slechts één hoek of een statisch beeld, het mogelijk is om een screeningsinstrument te creëren dat zowel effectief als schaalbaar is. Hoewel dit werk een belangrijke stap voorwaarts is, merken de auteurs op dat het een proof of concept is, bedoeld om de weg vrij te maken voor toekomstige klinische toepassingen, wat een potentieel pad biedt naar een eenvoudigere, veiligere en meer toegankelijke manier om te screenen op scoliose bij adolescenten.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.