南开新闻网讯（通讯员 田志华 曹泽怡）近日，数字医学领域顶尖期刊《npj Digital Medicine》（Nature子刊，中科院一区Top，影响因子15.1）在线发表了南开大学人工智能学院霍卫光、韩建达教授团队联合天津市环湖医院、伦敦大学圣乔治医学院、伦敦帝国理工学院团队的最新研究成果《Deep learning-enabled accurate assessment of gait impairments in Parkinson's disease using smartphone videos》。
该论文提出了一种创新的深度学习框架，仅需使用智能手机拍摄的患者行走视频，即可实现对帕金森病（PD）步态障碍严重程度的精准量化评估以及对传统临床量表（UPDRS）难以表征的细微药物效果的准确评估。此外，基于该框架团队有效提取了多种对疾病进展和药物反应高响应的新型数字生物标志物。
图1：基于手机视频的帕金森病步态障碍智能评估研究
帕金森病是全球第二大神经退行性疾病，步态障碍是其最主要的致残症状之一。步态障碍表现为高度异质性的运动症状，例如步速减慢、步长缩短、摆臂幅度减小、运动不流畅、肢体间不对称性增加、步态变异性增加以及节律性受损。这些不同的步态参数与个体疾病进展之间的复杂关系，以及它们对不同治疗的反应，目前仍未得到充分理解。对步态障碍进行精确、客观和常规的评估，对于了解个体疾病进展和制定个体化治疗方案至关重要。近年来，基于人工智能 (AI) 与新型传感技术的帕金森病智能评估方法展现出很好的应用前景。然而，当前研究仍面临两个重要挑战：1) 在步态障碍严重程度评估方面，特别是超出传统临床量表分辨率的个体药物反应评估方面，实现临床专家级别的准确性；2) 在标志物提取方面，实现多样运动特征的高效采集以及疾病进展和治疗反应高响应性数字生物标志物精准发掘。
针对上述挑战，研究团队开发了一种新型孪生对比网络架构，如图2所示。该模型通过模仿临床医生的评估方式，融合分析患者往返行走时，单相机从左、右侧两个视角拍摄的步态视频，从而准确提取患者的运动特征并对全身运动进行比较分析。不同于直接提取临床步态参数的传统方法，研究团队提出的可解释框架不仅能够提取传统步态参数，还能发掘多种数字生物标志物。研究团队在包含118名受试者（87名PD患者和31名健康对照）的数据集上验证了模型的性能。
图2：基于手机视频的帕金森步态障碍AI评估框架
在帕金森病步态障碍严重程度评估方面，针对独立测试集（25名受试者）的临床测试中，AI模型展现出与临床专家相当的表现，其F1分数为0.806，接近三位临床专家的平均表现（F1分数0.819）。在错误率方面，AI模型的评估错误率（0.20）与三位专家的平均错误率（0.19）同样几乎持平，如图3所示。
图3：AI模型与临床专家评估表现比较
在评估药物引起的步态障碍变化方面，AI模型突破了传统量表UPDRS的分辨率局限。研究团队对19名PD患者进行了药物开-关期测试。结果显示AI模型在辨别美多芭等药物针对步态障碍的疗效方面的细粒度评估中，准确度达到73.68%。特别是，针对药物开期UPDRS评分（Part III-Gait）未发生变化的患者群体（SwoC Cohort），AI模型成功识别出了UPDRS无法反映的细粒度的步态障碍变化，准确率达到66.67%，与一名非专家临床医生的水平持平，如图4所示。
图4：AI模型在评估药物效果方面的表现
在帕金森病步态障碍数字生物标志物挖掘方面，团队借助所提出的可解释性框架，提取了多种对疾病进展和药物反应更敏感的新型数字生物标志物。例如：研究发现踝关节的平均线速度在反映疾病严重程度上，比传统的摆臂幅度更敏感；在药物开-关期测试中，63.16%的患者的新标志物指标（如颈部和头部的线性加速度等）表现出显著的差异性，而只有42.11%的患者的传统运动标志物指标发生显著变化，如图5所示。
图5：AI模型挖掘的高响应性数字生物标志物
研究成果为实现便捷、准确的帕金森病智能居家诊断提供了可能，同时为患者个性化治疗方案制定提供了一种有效反馈工具。目前，研究团队已基于该框架开发了一套在线评估系统FAGI-PD（https://gaitanalysis.simplaj.fun），旨在辅助医生实现帕金森病远程精准居家诊疗。该框架也为其他具有相似运动障碍的神经退行性疾病（如中风、阿尔兹海默症）的评估提供了新思路。
|
