Майбутнє медичного обстеження: техніка відображення пози на основі МН
У сфері медичної діагностики інновації не знають меж. Нещодавно у сфері комп’ютерного зору та машинного навчання відбувся захоплюючий прорив, який обіцяє докорінно змінити методи обстеження пацієнтів, особливо для тих, хто має порушення опорно-рухового апарату, такі як церебральний параліч. Ця революційна розробка називається Техніка відображення пози (Pose-Mapping Technique) і призначена рішуче змінити процеси медичної діагностики та догляду за пацієнтами.
Традиційно оцінка рухової функції пацієнтів, особливо при таких захворюваннях, як церебральний параліч, вимагає регулярних особистих візитів до лікаря. Цей процес може бути не тільки фізично обтяжливим та емоційно виснажливим для дітей та їхніх батьків, але й передбачає додаткові фінансові витрати. Однак завдяки передовій техніці, яка розроблена інженерами Массачусетського технологічного інституту (МІТ), ми перебуваємо зараз на порозі трансформаційного стрибка вперед для медичного обстеження.
В основі цієї інновації лежить повна інтеграція комп’ютерного зору та машинного навчання. Використовуючи зазначені передові технології, техніка відображення пози розкрила потенціал дистанційної оцінки рухових функцій пацієнтів. Цей метод аналізує відео пацієнтів у режимі реального часу, розшифровуючи конкретні зразки поз на цих відео. Такий аналіз, керований алгоритмами машинного навчання, обчислює клінічний показник рухової функції.
Щоб розробити методику аналізу даних про положення скелета у пацієнтів із церебральним паралічем – стан, який зазвичай оцінюють за допомогою системи оцінки основних рухових функцій (GMFCS), вчені використовують п’ятирівневу шкалу, що відображає загальну рухову функцію дитини (нижчі показники вказують на більшу мобільність).
Команда використала загальнодоступний набір даних про положення скелета, сформований лабораторією нейром’язової біомеханіки Стенфордського університету (Stanford University's Neuromuscular Biomechanics Laboratory). Цей набір даних містив відео понад 1000 дітей з церебральним паралічем, кожне з яких демонструвало різні вправи, проведені в клінічному середовищі. Крім того, кожне відео було позначено балом GMFCS, призначеним спеціалістом після особистого обстеження. Стенфордська група обробила ці відеозаписи за допомогою алгоритму оцінки пози, щоб отримати дані про положення скелета.
Примітно, що розроблена МІТ техніка відображення пози здатна призначати оцінку, яка з більш ніж 70-відсотковою точністю збігається з оцінками лікарів під час особистих візитів. Такий рівень точності має величезні перспективи для оптимізації оцінки стану пацієнтів і зменшення потреби в частих і виснажливих поїздках до медичних установ.
Потенційне застосування техніки відображення пози виходить далеко за межі церебрального паралічу. Наразі дослідницька група адаптує підхід до оцінки дітей із метахроматичною лейкодистрофією, рідкісним генетичним захворюванням, що вражає нервову систему. Крім того, вони активно працюють над адаптацією методу для оцінки стану пацієнтів, які перенесли інсульт.
Герман Кребс (Hermano Krebs), провідний науковий співробітник кафедри машинобудування МІТ, бачить майбутнє, де пацієнти зможуть менше покладатися на відвідування лікарні для проведення обстежень. “Ми вважаємо, що цю технологію потенційно можна використовувати для дистанційної оцінки будь-якого стану, який впливає на опорно-рухову систему”, – говорить Герман. Це передбачає революційні зміни в підході до медичних обстежень та догляду за пацієнтами.
Шлях до цього видатного досягнення почався з комп’ютерного зору та алгоритмів, призначених для оцінки рухів людини. Алгоритми оцінки поз відкрили дорогу для трансформації відеопослідовностей у положеннях скелету. Ці пози, представлені у вигляді ліній і крапок, потім були зіставлені з координатами для подальшого аналізу.
Дослідницька група використала згорткову нейронну мережу просторово-часового графіка, щоб розшифрувати шаблони в даних про церебральний параліч, класифікуючи рівні рухливості пацієнтів. Варто зауважити, що навчання мережі на більшому наборі даних, який включав відео здорових дорослих, які виконують повсякденні дії, значно підвищило її точність у класифікації пацієнтів з ДЦП.
Справжнім дивом цієї інновації є її доступність. Метод можна безперебійно виконувати на багатьох мобільних пристроях, забезпечуючи загальну доступність і обробку відео в реальному часі. Команда Массачусетського технологічного інституту активно розробляє застосунок, який міг би дати пацієнтам змогу самостійно контролювати свій стан. Такий додаток дозволить батькам і пацієнтам записувати відео, не виходячи з дому. Потім результатами можна легко поділитися з медичними працівниками, що відкриє шлях до більш обізнаних та своєчасних втручань. Крім того, адаптивність методу поширюється на оцінку інших неврологічних розладів, обіцяючи скоротити витрати на охорону здоров’я та покращити догляд за пацієнтами.
Як вже зазначалося, інтеграція комп’ютерного зору та машинного навчання швидко трансформує галузь медичної діагностики. У QuData ми поділяємо ентузіазм щодо інноваційних рішень у сфері медичної візуалізації, що робить внесок у світле майбутнє охорони здоров’я. Наші тематичні кейси дають змогу ближче ознайомитися з нашими дослідженнями та рішеннями у сфері штучного інтелекту та машинного навчання. Читайте більше про наш останній проєкт ”Комп’ютерна діагностика раку молочної залози” – рішення на основі ШІ для підвищення точності та ефективності діагностики раку молочної залози.