Berührungslose Bewertung von Rigidität bei Parkinson durch maschinelles Sehen und maschinelles Lernen
Die Parkinson-Krankheit (PD) ist eine neurodegenerative Erkrankung, die durch motorische Symptome wie Bradykinesie, Tremor und Rigidität gekennzeichnet ist. Die klinische Beurteilung dieser Symptome, insbesondere der Rigidität, erfolgt traditionell gemäß der von der Movement Disorder Society gesponserten Revision der Unified Parkinson’s Disease Rating Scale (MDS-UPDRS) Teil III. Dieses Verfahren erfordert jedoch physischen Kontakt zwischen Klinikern und Patienten, was die Fernbewertung erschwert. Fortschritte im Bereich des maschinellen Sehens und des maschinellen Lernens bieten potenzielle Lösungen für berührungslose Bewertungen, die die Telemedizin in der PD-Versorgung revolutionieren könnten. Während frühere Studien maschinengestützte Bewertungen von Bradykinesie und Tremor untersuchten, blieb die berührungslose Rigiditätsbewertung bis zu dieser Studie unerforscht.
Ziel dieser Forschung war die Entwicklung eines berührungslosen Systems zur Rigiditätsbewertung bei PD unter Verwendung von maschinellem Sehen und maschinellem Lernen. Die Hypothese war, dass kinematische Merkmale, die aus Bewegungen extrahiert werden, die typischerweise mit Bradykinesie assoziiert sind (z. B. Handbewegungen, Gang und Zehentippen), indirekt den Schweregrad der Rigidität widerspiegeln können. Ein multidisziplinäres Team des Ruijin Hospital und der Gyenno Science Co., Ltd. entwickelte ein Protokoll zur Erfassung von Patientenbewegungen durch Videoaufnahmen, gefolgt von automatischer Merkmalsextraktion und Modelltraining.
Methodik
Rekrutierung von Teilnehmern und Datenerfassung
Die Studie umfasste 135 PD-Patienten des Ruijin Hospital, wobei Ausschlusskriterien auf Komorbiditäten abzielten, die motorische Bewertungen beeinträchtigen könnten. Die Teilnehmer führten standardisierte Bewegungen aus den MDS-UPDRS-III-Richtlinien vor einer Kamera durch, darunter obere Extremität (UE)-Aufgaben wie Fingerklopfen und Pronation-Supination der Hände, untere Extremität (LE)-Aufgaben wie Zehentippen und Beinbeweglichkeit sowie Ganganalyse. Erfahrene Neurologen bewerteten den Rigiditätsgrad für UE, LE und Halsregionen anhand der MDS-UPDRS-Skala (Scores 0–4). Videos wurden ausgeschlossen, wenn Qualitätsmängel die Analyse behinderten.
Merkmalsextraktion und -engineering
Maschinelle Sehalgorithmen verarbeiteten die Videos, um räumlich-zeitliche Merkmale aus Gelenken zu extrahieren, mit Fokus auf vier Dimensionen:
- Bewegung: Spezifische Aufgaben (z. B. Pronation-Supination für UE-Rigidität).
- Gelenk: Anatomische Landmarken (z. B. Hand, Fingerspitze, Zehenspitze).
- Signal: Rohkinematische Datentypen (Distanz, Winkel, Fläche).
- Attribut: Abgeleitete Metriken (Geschwindigkeit, Amplitude, Variabilität, Komplexität).
Insgesamt wurden 8903 Merkmale für UE-Rigidität, 6675 für LE-Rigidität und 68.315 für Halsrigidität generiert. Schlüsselattribute umfassten:
- Variabilität: Streuungsmetriken wie Standardabweichung und Variationskoeffizient.
- Komplexität: Fortgeschrittene statistische Maße (Kurtosis, Entropie, Crest-Faktor).
Modellentwicklung
Der Extreme Gradient Boosting (XGBOOST)-Algorithmus wurde aufgrund seiner Effizienz bei hochdimensionalen Daten und Merkmalsauswahl gewählt. Rigiditäts-Scores wurden aufgrund begrenzter Proben mit schwerer Rigidität (Score 4) in vier Klassen (0, 1, 2 und 3/4) kategorisiert. Stratifizierte Stichprobenbildung teilte die Daten in Trainings- (112 Patienten) und unabhängige Testdatensätze (23 Patienten). Die Modellleistung wurde mit drei Metriken bewertet:
- Intraklassen-Korrelationskoeffizient (ICC): Übereinstimmung zwischen Modell und klinischen Bewertungen.
- Spearmans Korrelationskoeffizient: Stärke des ordinalen Zusammenhangs.
- Absolute Genauigkeit: Prozentsatz exakter Score-Übereinstimmungen.
Ergebnisse
Modell für Rigidität der oberen Extremitäten
Das UE-Modell zeigte moderate Übereinstimmung mit klinischen Bewertungen (ICC = 0,66; 95 %-KI: 0,45–0,79) und eine Spearman-Korrelation von 0,64. Die absolute Genauigkeit betrug 65 %. Wichtige Beiträge kamen von:
- Bewegung: Pronation-Supination (52,3 %) und kinetischer Tremor (16,5 %).
- Gelenke: Hand (69,1 %) und Fingerspitze (28,2 %).
- Signal: Distanz (49,7 %) und Winkel (35,9 %).
- Attribut: Variabilität (35,2 %) und Komplexität (27,4 %).
Distale Gelenkbewegungen (z. B. Finger) lieferten differenziertere Informationen als proximale Gelenke.
Modell für Rigidität der unteren Extremitäten
Das LE-Modell erreichte ICC = 0,60 (95 %-KI: 0,39–0,76), Spearman-Korrelation = 0,58 und 72 % absolute Genauigkeit. Dominante Merkmale waren:
- Bewegung: Gang (55,4 %) und Zehentippen (41,7 %).
- Gelenk: Zehenspitze (41,7 %).
- Signal: Distanz (92,4 %).
- Attribut: Variabilität (34,4 %) und Komplexität (25,1 %).
Ein Beispielmerkmal war die Variabilität „13_back_angular_velocity_var_hip2ankle_angle_feature_point_feature“, die eine reduzierte Winkelgeschwindigkeitsstreuung bei Rigidität während des Gangs widerspiegelt.
Modell für Halsrigidität
Das Halsrigiditätsmodell erzielte ICC = 0,70 (95 %-KI: 0,40–0,86), Spearman-Korrelation = 0,67 und 78 % Genauigkeit. Hauptbeiträge stammten von:
- Bewegung: Gang (41,0 %).
- Gelenke: Fingerspitze (46,2 %) und Hand (31,4 %).
- Signal: Distanz (80,4 %).
- Attribut: Komplexität (43,6 %) und Variabilität (41,3 %).
Gangmuster, insbesondere Hand- und Fingerspitzenkinematik, reflektieren indirekt den Halsrigiditätsgrad.
Diskussion
Klinische Relevanz und Innovation
Diese Studie ist der erste Versuch, Rigidität berührungslos mittels maschinellem Sehen zu bewerten. Traditionelle Methoden erfordern passive Bewegungen durch Kliniker, was Telemedizinanwendungen limitiert. Durch die Analyse von Bradykinesie-assoziierten Bewegungen erfasst dieses System Rigiditätskorrelate wie Bewegungsvariabilität und -komplexität.
Für UE-Rigidität lieferten Pronation-Supination-Aufgaben kritische Informationen, obwohl sie traditionell mit Bradykinesie verknüpft sind. Ganganalyse trug wesentlich zu LE- und Halsmodellen bei, was auf globale Bewegungsveränderungen durch Rigidität hinweist. Merkmale wie Variabilität bieten objektivere Metriken als klinische Beobachtungen.
Technische Einblicke
Die Dominanz von Variabilität und Komplexität unterstreicht deren Nutzen in der Rigiditätsbewertung. Beispielsweise:
- Variabilität: Geringere Winkelgeschwindigkeitsstreuung korreliert mit erhöhter Rigidität.
- Komplexität: Die Kurtosis der Kniegeschwindigkeit unterscheidet flüssige von rigiden Bewegungen durch spitze Verteilungen.
Die XGBOOST-Merkmalanalyse zeigte, dass distale Gelenke (z. B. Fingerspitzen) informativer waren, möglicherweise weil Rigidität subtile distale Bewegungsanomalien verstärkt.
Limitationen und zukünftige Richtungen
Die monozentrische Studie und Unterrepräsentation fortgeschrittener PD-Stadien (Hoehn-Yahr 4–5) limitieren die Generalisierbarkeit. Die kleine Teststichprobe (23 Patienten) erfordert größere, multizentrische Validierungen. Zukünftige Arbeiten sollten Tremor-Subtypen und telemedizinische Anwendungen integrieren.
Fazit
Diese Forschung demonstriert die Machbarkeit berührungsloser Rigiditätsbewertung bei PD mittels maschinellem Sehen und Lernen. Die Analyse kinematischer Merkmale aus Bradykinesie-Aufgaben erreicht moderate bis gute Übereinstimmung mit klinischen Bewertungen. Variabilität und Komplexität erwiesen sich als kritische Attribute zur Quantifizierung von Rigidität. Dieser Ansatz bietet Potenzial für Fernüberwachung und Telemedizin, insbesondere in ressourcenlimitierten Umgebungen.
doi.org/10.1097/CM9.0000000000002668