用于早期检测帕金森病运动迟缓的自动化视频分析技术

《Journal of NeuroEngineering and Rehabilitation》：Automated video analysis for early detection of bradykinesia in Parkinson’s disease

帕金森病早期筛查研究通过AI视频分析系统，利用手指敲击任务视频提取运动学特征，对比梯度提升树与多火箭时序模型，发现特征模型ROC-AUC达0.94，确认患者运动幅度、速度下降及变异性增加，验证了非标准化条件下AI视频分析在早期筛查中的有效性和可扩展性。

　　

摘要

背景

运动迟缓是帕金森病（PD）的核心特征，通常在疾病早期就会出现，但客观量化仍然具有挑战性。传统的评估方法依赖于专家的视觉评分，这种方法主观性强、耗时且难以标准化。

方法

我们开发并验证了一种基于人工智能的视频系统，用于从手指敲击任务的短片中自动检测帕金森病。在15个临床站点收集了51名帕金森病患者（pwPD，由经过培训的临床医生根据MDS-UPDRS手指敲击项目评定为正常或轻度运动功能障碍）和43名健康对照者的视频，这些视频是在非标准化条件下拍摄的，并使用开源的VisionMD软件进行了分析。提取了标准化的运动时间序列和多个与运动迟缓相关的特征。我们通过嵌套交叉验证、自助法分析和决策曲线评估，训练并比较了基于特征的判别器和基于时间序列的判别器。

结果

基于特征的梯度提升模型取得了最佳性能（ROC-AUC = 0.94 ± 0.03），优于MultiRocket时间序列模型（ROC-AUC = 0.85 ± 0.05）。特征选择确定了七个与运动速度、衰减和变异性相关的生理学上有意义的预测因子。群体水平分析证实，pwPD患者的振幅和速度显著降低，变异性增加，这与早期运动迟缓和序列效应一致。

结论

基于人工智能的视频分析能够准确检测出即使是临床症状轻微的个体中的帕金森病相关运动异常。通过从简短的智能手机质量视频中量化微妙的速度和节奏缺陷，这种方法实现了客观、可扩展的早期筛查，有助于患者公平获得专业级别的评估和精准的疾病管理。