人工智能训练数据分析模型可能提供更快速和准确的多种神经系统疾病检测，包括影响运动功能的疾病如帕金森病和正常压力脑积水，根据最新研究。
“步态分析在帮助医生改善医疗方面具有巨大的未被充分利用的潜力，”克利夫兰诊所神经修复中心的运动障碍神经病学家James Liao医生告诉Healio，他谈及发表在《自然通讯》上的这项研究。“步态变化已被证明可以预测痴呆、跌倒风险、住院再入院等。”
先前的研究已经确定步态分析是多种神经系统疾病检查中最重要的部分，特别是在疾病前驱期或早期阶段。
Liao表示：“我们检查步态，但我们没有以一种能够让计算机进行数值或定量分析的方式记录它。我们没有利用任何现代技术来帮助我们更早地诊断疾病。”
Liao与克利夫兰诊所和IBM研究中心的同事们试图评估基于深度神经网络的机器学习是否能准确识别患者的步态，并提供一种可靠的方法来进行广泛的数据驱动分析，以诊断特定的神经系统疾病，包括正常压力脑积水（NPH）。
Liao说：“在某些情况下，可能漏诊一种实际上是可治疗的疾病。计算机辅助技术将帮助我们发现这些疾病。计算机和人工智能可以分析步态，量化参数并随时间跟踪它们，这是人类难以轻易做到的。”
他继续说道，最终结果是人工智能可以通知临床医生患者的步态恶化，从而实现更早的诊断和治疗。然而，他补充说，计算机辅助技术的训练需要非常庞大的数据集。
Liao表示：“我们评估的一些神经系统疾病并不常见，不足以让我们轻松收集大量数据。我们在本文中开发的利用合成数据来扩充训练数据的技术极其有用。”
研究人员检查了1,128名独特患者的9,247个单摄像头视频或可穿戴加速度计数据，这些患者患有脑瘫、帕金森病和痴呆症。数据是从一系列二维（2D）和三维（3D）身体姿势中提取的，包括每位患者在腰椎引流试验前后从正面、背面和侧面的视图，以确定NPH状态。
视频分析分为两种情况。在第一种情况下，机器学习模型在没有任何先前数据训练的情况下，能够估计不同人群和传感器设置下的步态参数。第二种情况衡量了一个在合成步态数据上预训练的模型在一系列“下游任务”中的表现，包括不同的临床人群和传感器设置。Liao和同事们随后将合成模型的表现与基于2D和3D患者视图的真实数据训练的模型进行了比较。
Liao和同事们报告称，所有模型都可以用来预测步态参数。那些仅在合成数据上训练的模型在预测步态参数方面表现出与真实数据训练模型相似或更好的能力。
Liao报告称，基于这些结果，一个仅使用合成数据的模型估计步态速度、步长和步时间的皮尔逊相关系数分别为0.88、0.80和0.97，他称这与使用真实数据相当。
Liao表示：“仅使用真实数据要达到与纯合成模型相同的性能需要233到1,287个视频，因此合成数据减少了训练所需的真实数据量。”
Liao还指出，人工智能模型也可用于痴呆症诊断，因为那些使用真实和合成数据组合的模型表现与仅使用真实数据的模型相似。
然而，他注意到，组合模型仅使用43%的真实数据即可诊断该病，而组合模型在100%真实数据率下达到了0.866的受试者工作特征曲线下面积（AUC），比表现最好的纯数据模型高出0.044。
最后，Liao和同事们发现这些模型在预测3年内的认知衰退方面也具有显著作用，定义为简易精神状态检查评分下降两个或更多点。
组合和真实数据模型在此处的表现也相似，而仅使用了14%的真实数据。对于100%真实数据率，模型达到了0.732的AUC，比表现最好的纯真实数据模型高0.136。
Liao告诉Healio：“我们的研究结果将大大加速使用更少训练数据开发准确的步态分析模型。人工智能将立即分析步态，并在其恶化时警告临床医生，提出可能的诊断，并建议转诊给专科医生。”
【全文结束】
