利用深度学习技术通过智能手机视频初步识别患有晚期膝关节骨关节炎患者的可行性

《Journal of NeuroEngineering and Rehabilitation》:The feasibility of using deep learning technologies to preliminarily identify patients with advanced knee osteoarthritis via smartphone videos

【字体: 大 中 小 】 时间:2026年03月08日 来源:Journal of NeuroEngineering and Rehabilitation 5.2

编辑推荐:

  本研究开发并验证了一种基于智能手机的AI方法,通过分析坐站测试和步态的三维时空数据,有效区分晚期膝关节骨关节炎患者与自然身体机能下降人群,AUC达0.981,证实其在大规模筛查中的可行性。

  

摘要

引言

膝关节骨关节炎(KOA)是一种常见的疾病,常常导致患者身体功能下降。许多KOA患者难以判断其身体功能的下降是由于自然的身体机能退化还是疾病本身引起的。评估身体功能有望成为识别晚期KOA患者的有效方法。我们开发并验证了一种简单的家庭人工智能方法,用于识别晚期KOA患者。

方法

357名参与者独立录制了从坐姿到站立的测试以及步态的视频。通过使用AlphaPose和VideoPose算法,我们从这些视频中提取了三维时空信息。随后,我们利用离散小波变换(DWT)对数据进行定性分析,并构建时间序列模型以识别KOA患者。

结果

我们提取了参与者直接收集的时间序列数据。对时空信息的分析表明,晚期KOA患者与身体功能下降的个体之间的主要差异在于整体运动模式。利用STS时空信息和人口统计特征构建模型后,我们获得了0.981的AUC(95%置信区间为0.977–0.985),显示出最佳性能。

结论

我们这种低成本、用户友好的方法能够通过智能手机有效捕捉晚期KOA患者与身体功能下降患者之间的时空信息差异,并在区分这两类人群方面表现出高性能。这些发现为我们的低成本、用户友好方法在大规模初步筛查目标人群中的可行性提供了有力证据。

引言

膝关节骨关节炎(KOA)是一种常见的疾病,常常导致患者身体功能下降。许多KOA患者难以判断其身体功能的下降是由于自然的身体机能退化还是疾病本身引起的。评估身体功能有望成为识别晚期KOA患者的有效方法。我们开发并验证了一种简单的家庭人工智能方法,用于识别晚期KOA患者。

方法

357名参与者独立录制了从坐姿到站立的测试以及步态的视频。通过使用AlphaPose和VideoPose算法,我们从这些视频中提取了三维时空信息。随后,我们利用离散小波变换(DWT)对数据进行定性分析,并构建时间序列模型以识别KOA患者。

结果

我们提取了参与者直接收集的时间序列数据。对时空信息的分析表明,晚期KOA患者与身体功能下降的个体之间的主要差异在于整体运动模式。利用STS时空信息和人口统计特征构建模型后,我们获得了0.981的AUC(95%置信区间为0.977–0.985),显示出最佳性能。

结论

我们这种低成本、用户友好的方法能够通过智能手机有效捕捉晚期KOA患者与身体功能下降患者之间的时空信息差异,并在区分这两类人群方面表现出高性能。这些发现为我们的低成本、用户友好方法在大规模初步筛查目标人群中的可行性提供了有力证据。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号