TokenSTFormer: A Tokenized Spatial-temporal Attention Model for Holistic Motion Analysis in Adolescent Idiopathic Scoliosis Screening
Este artigo apresenta o conjunto de dados ScoliGait e o TokenSTFormer, um novo modelo de atenção espaço-temporal tokenizado que alcança a precisão de estado da arte na triagem da Escoliose Idiopática do Adolescente ao aproveitar características holísticas do movimento da marcha para superar as limitações dos métodos tradicionais.
Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
A coluna vertebral humana é uma estrutura admirável, projetada para ser ao mesmo tempo flexível e forte, mas pode desenvolver uma curva lateral sutil durante os anos de adolescência. Esta condição, conhecida como escoliose idiopática do adolescente, afeta uma parcela significativa de crianças em todo o mundo. Se não for percebida, a curva pode piorar, levando a dores crônicas e sofrimento emocional mais tarde na vida. Durante décadas, os médicos confiaram em um teste físico simples onde uma criança se inclina para frente para revelar qualquer assimetria nas costas, ou em raios-X para medir o ângulo exato da curva. Embora os raios-X sejam o padrão ouro para o diagnóstico, eles envolvem radiação, e os testes físicos podem ser subjetivos, variando dependendo da habilidade do examinador ou do tipo físico do paciente. Há uma necessidade crescente de um método de triagem que seja não invasivo, fácil de usar em escolas ou clínicas, e capaz de detectar essas curvas precocemente antes que se tornem graves.
Uma equipe de pesquisadores da Universidade de Hong Kong adotou uma nova abordagem para este problema ao observar como as pessoas caminham. Em vez de depender de um instantâneo estático das costas ou de um único raio-X, eles desenvolveram um sistema que analisa o movimento de todo o corpo ao longo do tempo. Eles criaram uma nova coleção de dados chamada ScoliGait, que inclui mais de 1.500 clipes de vídeo de adolescentes caminhando, cada um pareado com um raio-X correspondente que confirma se possuem escoliose ou não. Este conjunto de dados é único porque vincula a maneira como uma pessoa se move ao diagnóstico médico real, fornecendo uma base confiável para treinar um computador para reconhecer os sinais sutis da condição. Os pesquisadores descobriram que a maneira como uma pessoa com escoliose caminha é diferente de alguém sem a condição, não apenas na posição de sua coluna, mas nos padrões complexos e rítmicos de todo o seu corpo.
Para dar sentido a esses vídeos, a equipe construiu um novo tipo de modelo de inteligência artificial que chamam de TokenSTFormer. Imagine pegar um vídeo e decompô-lo em minúsculas peças de informação que representam tanto onde as partes do corpo estão quanto como elas se movem ao longo do tempo. O modelo trata essas peças como unidades distintas, ou tokens, permitindo que ele entenda a relação entre a forma do corpo e o tempo do movimento. Ao organizar essa informação de uma maneira específica, o modelo pode aprender a detectar os padrões ocultos que indicam uma curva na coluna. Os pesquisadores projetaram este sistema para funcionar com uma câmera de smartphone padrão, tornando possível gravar uma criança caminhando por um corredor e analisar instantaneamente as imagens sem a necessidade de equipamentos médicos caros ou expor a criança à radiação.
Os resultados de seus testes foram promissores. Quando compararam seu novo modelo com um tipo padrão de ferramenta de análise de imagem, o sistema deles apresentou um desempenho superior na identificação tanto daqueles com a condição quanto daqueles sem ela. Em seus testes, o modelo identificou corretamente a condição em quase 85 por cento dos casos em que ela estava presente, e manteve um alto nível de precisão geral. Isso sugere que o modelo não está apenas adivinhando, mas aprendendo genuinamente as diferenças específicas na marcha que acompanham a escoliose. O estudo também mostrou que decompor os dados de movimento nessas unidades específicas de espaço e tempo foi crucial; sem esse método, a capacidade do modelo de detectar a condição caía significamente.
Os pesquisadores não pararam apenas na construção do modelo; eles também criaram uma forma de representar os dados de movimento que protege a privacidade dos indivíduos. Em vez de armazenar o vídeo real da criança, o sistema converte o movimento em um "mapa de conhecimento cinemático", um conjunto de números que descreve o movimento sem revelar quem é a pessoa. Isso permite que o sistema seja usado em dispositivos móveis, mantendo os dados anônimos e seguros. O estudo destaca que, ao focar no movimento de todo o corpo em vez de apenas um ângulo ou uma imagem estática, é possível criar uma ferramenta de triagem que seja tanto eficaz quanto escalável. Embora este trabalho seja um passo significativo à frente, os autores observam que é uma prova de conceito destinada a pavimentar o caminho para futuras aplicações clínicas, oferecendo um caminho potencial para uma forma mais simples, segura e acessível de rastrear a escoliose em adolescentes.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.