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

Resumo Técnico: Estimativa de Pose por Aprendizado Profundo para o Reconhecimento Multirrótulo de Distúrbios de Movimento Hipercinéticos Combinados

Definição do Problema
Os distúrbios de movimento hipercinéticos (DMH), incluindo distonia, tremor, coreia, mioclonia e tiques, apresentam desafios significativos para o reconhecimento clínico e monitoramento longitudinal. Estas condições são caracterizadas por manifestações motoras flutuantes, intermitentes e frequentemente coexistentes. A avaliação clínica atual baseia-se na observação subjetiva e em escalas de classificação padronizadas que frequentemente falham em capturar todo o espectro da fenomenologia motora, sofrem de variabilidade inter-avaliador e carecem de capacidade para identificação simultânea de múltiplos fenótipos sobrepostos. Existe uma necessidade crítica de métodos objetivos e escaláveis para distinguir e quantificar DMH combinados a partir de vídeos clínicos de rotina, particularmente para uso em ambientes ambulatoriais e avaliações remotas.

Metodologia
Os autores desenvolveram um framework de aprendizado de máquina baseado em pose, projetado para converter vídeos ambulatoriais padrão em dados de séries temporais anatomicamente significativos para a detecção de oito DMH específicos: distonia, tremor, mioclonia, coreia, atetose, balismo, estereotipias e tiques. O pipeline consiste em quatro estágios primários:

1. Processamento de Vídeo e Estimativa de Pose:

   • Vídeos clínicos de rotina (capturados via smartphone a 30 FPS) são processados quadro a quadro usando OpenCV.
   • Um modelo de aprendizado profundo de última geração, YOLOv8 (especificamente yolov8x-pose-p6.pt), é empregado para estimativa de pose humana 2D. Este modelo detecta 17 pontos-chave anatômicos padronizados (craniano, membro superior, tronco, membro inferior) por quadro.
   • As coordenadas dos pontos-chave são convertidas de espaço de imagem normalizado para coordenadas de pixel absolutas para preservar a precisão espacial.

2. Extração e Engenharia de Características (Features):

   • As trajetórias dos pontos-chave são segmentadas em janelas de 10 segundos de comprimento fixo, alinhadas com as anotações clínicas de especialistas.
   • Para cada marco (landmark), um sinal de deslocamento escalar ($d_t$) é derivado das coordenadas 2D.
   • A partir desses sinais de deslocamento, um painel abrangente de 374 características por janela (22 características por marco × 17 marcos) é extraído. Estas características são categorizadas em:
     • Descritores estatísticos: Média, desvio padrão, variância, assimetria (skewness), curtose, energia e amplitude (range).
     • Características temporais/dinâmicas: Inclinação (slope), aceleração absoluta média e médias móveis.
     • Características espectrais: Frequência dominante e amplitude de pico via Transformada Rápida de Fourier (FFT).
     • Características não lineares/complexidade: Dimensão fractal de Higuchi e entropia de permutação.
   • As características são organizadas em famílias cinemáticas clinicamente fundamentadas (ex: postura de base, viés sustentado, excursões, ritmicidade, direcionalidade) e regiões anatômicas.

3. Estratégia de Classificação:

   • Triagem ao Nível da Janela: Uma tarefa de classificação binária contrasta janelas de pacientes que expressam sintomas com janelas de controles saudáveis. Esta configuração avalia a capacidade de distinguir movimento patológico de padrões normativos.
   • Inferência Multirrótulo ao Nível do Paciente: Para abordar a coocorrência de distúrbios, as probabilidades ao nível da janela são agregadas ao nível do sujeito usando pooling de percentil (p90).
   • Limiarização (Thresholding): Limiares de decisão específicos para cada rótulo são ajustados em sujeitos de treinamento sob um regime operacional "consciente do controle" (control-aware), minimizando explicitamente falsos positivos em controles saudáveis.
   • Modelos: Um painel de classificadores supervisionados (incluindo XGBoost, LightGBM, Random Forest, SVM, MLP e Regressão Logística) é testado. Os hiperparâmetros são otimizados via busca em grade (grid search), e a calibração de probabilidade (escalonamento de Platt) é aplicada onde necessário.
   • Validação: É utilizado um StratifiedGroupKFold rigoroso para evitar vazamento de dados (data leakage), garantindo que todas as janelas de um único sujeito permanham inteiramente dentro do mesmo fold de treinamento ou teste.

4. Interpretabilidade:

   • A importância da característica ao nível de decisão é quantificada usando importância por permutação em folds de teste mantidos fora do treino. Isso mede o aumento no erro de decisão do paciente ($\Delta error$) quando uma característica é permutada, vinculando as decisões do modelo a famílias cinemáticas e regiões anatômicas específicas.

Principais Contribuições

• Fenotipagem Multirrótulo: O estudo introduz um framework capaz de detecção simultânea de múltiplos DMH coocorrentes, indo além da classificação binária de distúrbios únicos.
• Características Clinicamente Interpretáveis: Ao contrário de abordagens de "caixa preta" que utilizam pixels brutos ou simples coordenadas de articulações, o método baseia-se em descritores de séries temporais engenheirados (espectrais, complexidade, estatísticos) que mapeiam diretamente para conceitos clínicos (ex: ritmicidade, irregularidade, viés postural).
• Regime Operacional Consciente do Controle: O sistema é explicitamente projetado para minimizar alarmes falsos em controles saudáveis, um requisito crítico para ferramentas de triagem, ao ajustar os limiares com base na especificidade dos controles.
• Verdade de Campo por Consenso: Anotações de especialistas de dois clínicos cegados foram harmonizadas em uma referência de consenso para reduzir o ruído específico do avaliador e estabelecer uma base sólida para o treinamento.

Resultos

• Desempenho ao Nível da Janela: A discriminação variou por fenótipo. Assinaturas cinemáticas distintas produziram resultados fortes para distonia ($F1_1 \approx 0,84–0,89$), coreia ($F1_1 \approx 0,81–0,96$) e tremor ($F1_1 \approx 0,82–0,83$). Fenótipos com padrões intermitentes ou mistos (atetose, balismo, estereotipias, mioclonia) mostraram maior confiabilidade de janela inferior, consistentes com a dificuldade de definir fronteiras para esses movimentos em clipes curtos.
• Agregação ao Nível do Paciente: A agregação de observações repetidas de 10 segundos melhorou significamente a identificação do sujeito. O sistema alcançou alta especificidade (1,00) em todos os sintomas em controles saudáveis, indicando que observações curtas repetidas raramente levam à rotulagem de falso positivo em indivíduos assintomáticos.
• Discriminação Multirrótulo: Ao nível do paciente, o melhor pipeline alcançou um macro-AUPRC de $0,821 \pm 0,019$ e um macro-AUC de $0,830 \pm 0,029$. A melhor acurácia de Hamming (corretude do vetor de rótulos completo) foi de $0,764 \pm 0,041$.
• Análise de Erro: De 200 decisões paciente-rótulo (25 sujeitos × 8 rótulos), o sistema cometeu 28 erros (86,0% de correção). Tiques foram perfeitamente identificados (sem falsos positivos ou negativos). A distonia mostrou alta sensibilidade, com apenas um caso perdido. Tremor e atetose exibiram as maiores cargas de erro residual, atribuídas a apresentações limítrofes e sobreposição com outros padrões.
• Importância das Características: A análise de nível de decisão revelou que as chamadas ao nível do paciente dependem principalmente de evidências baseadas em deslocamento (postura de base, viés sustentado e excursões extremas). Descritores de ritmicidade e irregularidade/complexidade de ordem superior forneceram contribuições secundárias seletivas. Anatomicamente, os marcos cranianos e dos membros superiores proximais foram os mais influentes, consistentes com sua visibilidade em vídeos clínicos padrão.

Significância e Alegações
O artigo afirma demonstrar a viabilidade de uma fenotipagem baseada em vídeo, escalável, objetiva e explicável para distúrbios de movimento hipercinéticos complexos e coocorrentes. Ao converter vídeos ambulatoriais de rotina em dados cinemáticos anatomicamente significativos, o framework oferece uma alternativa potencial às escalas clínicas subjetivas e laboriosas.

Os autores enfatizam que o sistema é projetado para apoiar, não substituir, a expertise clínica. O "cenário operacional específico de fenótipo" permite que o sistema seja ajustado para diferentes prioridades clínicas (ex: alta sensibilidade para triagem vs. alta especificidade para diagnóstico de confirmação). Os resultados sugerem que as características derivadas de pose podem capturar padrões de movimento normativos estáveis que não são facilmente classificados erroneamente como atividade hipercinética quando a evidência é agrupada, além de distinguir assinaturas patológicas específicas.

O estudo conclui que, embora os resultados atuais sejam promissores, a validação prospectiva multicêntrica externa é necessária para abordar mudanças de domínio (câmera, iluminação, vestimenta) e estabelecer a generalizabilidade em diversas populações e configurações. Os autores posicionam este trabalho como um passo para permitir o monitoramento mais frequente e objetivo de condições neurológicas flutuantes, facilitando potencialmente o gerenciamento remoto de pacientes e intervenções terapêuticas direcionadas.