《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：A Mixed Dual-Branch Network for Detecting Cervical Spondylotic Myelopathy and Parkinsonian Syndromes via Gait Analysis
编辑推荐：
本研究针对颈椎病性脊髓病(CSM)与帕金森综合征(PS)因运动症状重叠导致的临床误诊难题，开发了一种名为DCDM-Net的混合双分支网络。该模型通过融合ResNet分支的局部时序特征与多层感知器(MLP)分支的多域全局特征，结合加权不确定性感知融合(WUAF)策略，实现了对CSM患者、PS患者及健康对照(HC)的高精度步态分类，准确率达92.35%±0.76%，AUC为96.70%±0.47。研究为CSM与PS的辅助诊断提供了可靠工具，有望降低误诊风险。
在神经退行性疾病与脊柱疾病的临床诊断中，颈椎病性脊髓病(Cervical Spondylotic Myelopathy, CSM)和帕金森综合征(Parkinsonian Syndromes, PS)患者常表现出相似的运动症状，如肢体无力、僵硬、步态功能障碍等。这些重叠的临床表现给鉴别诊断带来巨大挑战，而误诊可能导致严重后果：将CSM误诊为PS并仅采用药物治疗，可能加重脊髓压迫，导致不可逆的神经功能缺损；反之，对PS患者进行不必要的高风险减压手术，不仅无法缓解症状，还可能增加术后并发症风险。因此，开发能够准确区分这两种疾病的辅助诊断工具具有重要临床意义。
近年来，基于步态分析的机器学习方法在神经系统疾病检测中展现出潜力。步态分析能够提供客观、量化的运动学参数，揭示病理状态下的运动控制异常。然而，现有方法在处理步态时间序列数据时面临两大挑战：一是时序数据中全局与局部信息的冗余难以消除；二是决策融合过程中对分支预测结果置信度的准确评估存在困难。
为解决这些问题，山东大学等机构的研究团队在《IEEE Transactions on Neural Systems and Rehabilitation Engineering》上发表了一项创新研究，提出了名为DCDM-Net的混合双分支网络。该研究招募了51名CSM患者、49名PS患者和33名健康对照，使用Xsens运动捕捉设备采集受试者行走时的运动学数据，并计算髋、膝、踝关节在矢状面、冠状面和横断面的角度、角速度和角加速度时间序列。
研究人员从每个时间序列中提取了20个特征，包括时域、频域、时频域和非线性特征。DCDM-Net模型采用双分支架构：ResNet分支结合卷积注意力模块(CBAM)和证据深度学习(EDL)损失函数，专注于提取时间序列的局部细节特征；MLP分支则处理手动提取的多域全局特征。两个分支的预测结果通过协作决策(CDM)模块进行融合，其中创新的加权不确定性感知融合(WUAF)策略同时考虑预测不确定性和分类准确率，优化了决策过程。
研究结果显示，DCDM-Net在三分类任务中取得了92.35%±0.76%的准确率和96.70%±0.47%的AUC值，显著优于单一分支模型和其他先进时间序列处理网络。在CSM与PS的二分类任务中，模型也表现出色，准确率达到93.13%±0.81%。通过可解释性分析，研究发现非线性特征（如Lempel-Ziv复杂度、递归熵等）对分类贡献最大，而集成梯度(IG)热图显示模型主要依赖矢状面和冠状面的运动信息进行判别，这与CSM和PS患者临床步态异常的表现一致。
在不确定性量化方面，EDL方法表现出优异的校准能力，预期校准误差(ECE)为0.0304，Brier得分为0.1074，优于Softmax、MC-Dropout和深度集成方法。跨数据集OOD验证表明，仅使用关节角度特征会导致分布重叠，证实了角速度和角加速度等高阶动力学特征对模型鲁棒性的重要性。
该研究开发的DCDM-Net模型有效解决了CSM与PS的步态鉴别诊断难题，通过双分支特征提取和不确定性感知的决策融合，显著提升了分类性能。可解释性分析结果与临床发现相符，增强了模型的可信度。虽然本研究存在样本量有限、未区分症状严重程度等局限性，但为CSM和PS的辅助诊断提供了有前景的技术工具，有望在临床实践中降低误诊率，改善患者预后。
