由西奈山医疗系统（Mount Sinai Health System）领导的一组研究人员增强了一个人工智能（AI）驱动的算法，用于分析临床睡眠测试的视频记录，最终提高了对一种影响全球超过8000万人的常见睡眠障碍的准确诊断。该研究结果于1月9日发表在《神经病学年报》（Annals of Neurology）上。
快速眼动睡眠行为障碍（RBD）是一种睡眠状况，在快速眼动（REM）睡眠阶段会导致异常运动或梦中身体活动的表现。发生在健康成年人中的RBD被称为“孤立性”RBD。它在美国影响超过一百万人，并且在几乎所有情况下都是帕金森病或痴呆症的早期迹象。
由于其症状可能未被注意到或与其他疾病混淆，RBD非常难以诊断。确诊需要在配备睡眠监测技术的设施中由医务人员进行睡眠研究，即视频多导睡眠图。这些数据也具有主观性，难以根据多个复杂变量（如睡眠阶段和肌肉活动量）进行普遍解释。尽管在睡眠测试期间系统地记录了视频数据，但这些数据通常在测试解释后很少被审查并经常被丢弃。
此前在这个领域的有限工作表明，可能需要研究级别的3D摄像头来检测睡眠中的运动，因为床单或毯子会覆盖活动。这项研究首次概述了自动机器学习方法的发展，该方法分析了夜间睡眠测试中常规收集的2D摄像头录制的视频。该方法还定义了额外的“分类器”或运动特征，使检测RBD的准确率达到近92％。
“这种自动化方法可以集成到睡眠测试解释的临床工作流程中，以增强和促进诊断，避免漏诊。该方法还可以根据睡眠测试中表现出的运动严重程度来指导治疗决策，最终帮助医生为个别患者制定个性化的护理计划。”伊坎医学院（Icahn School of Medicine at Mount Sinai）神经病学（运动障碍）和医学（肺科、重症监护和睡眠医学）副教授、通讯作者埃马纽埃尔·杜朗博士（Emmanuel During, MD）表示。
西奈山团队复制并扩展了奥地利因斯布鲁克医科大学（Medical University of Innsbruck）研究人员提出的一项关于睡眠研究中自动机器学习分析运动的建议。这种方法利用计算机视觉，这是人工智能的一个领域，允许计算机分析和理解包括图像和视频在内的视觉数据。在此基础上，西奈山专家使用临床睡眠实验室中常见的2D摄像头，监测患者整夜的睡眠情况。数据集包括约80名RBD患者的录音分析，以及约90名对照组患者的录音分析，后者要么有其他睡眠障碍，要么没有睡眠问题。一个自动算法计算视频中连续帧之间的像素运动，能够检测REM睡眠期间的运动。专家们审查了数据，提取了运动的速率、比率、幅度和速度，以及静止比率。他们分析了这五个短运动特征，实现了迄今为止最高的准确率，达到92％。
瑞士洛桑联邦理工学院（École Polytechnique Fédérale de Lausanne）的专家分享了他们在计算机视觉方面的专业知识，为该研究做出了贡献。
来源：西奈山医疗系统（Mount Sinai Health System）
期刊引用：Abdelfattah, M., et al. (2025) 使用计算机视觉自动检测孤立性快速眼动睡眠行为障碍。《神经病学年报》。doi.org/10.1002/ana.27170。
(全文结束)
