基于视频的深度学习预训练模型改善小脑性共济失调严重度评估

《Brain and Behavior》:Improving Video-Based Prediction of Cerebellar Ataxia Severity Using a Pretrained Deep Learning Model

【字体: 大 中 小 】 时间:2026年09月30日 来源:Brain and Behavior 2.8

编辑推荐:

  摘要 背景:退行性小脑疾病(DCDs)的共济失调严重度通常采用半定量临床评定量表(如共济失调评估与评级量表(SARA))进行评估,此类量表易受主观变异影响。基于深度学习的步态分析提供了一种客观替代方案,但DCDs中的标注数据有限。研究人员探究了利用帕金森病(P

  
摘要 背景:退行性小脑疾病(DCDs)的共济失调严重度通常采用半定量临床评定量表(如共济失调评估与评级量表(SARA))进行评估,此类量表易受主观变异影响。基于深度学习的步态分析提供了一种客观替代方案,但DCDs中的标注数据有限。研究人员探究了利用帕金森病(PD)患者的步态视频进行预训练是否能够改善DCD中的SARA评分预测。 方法:采用姿态估计技术处理DCD患者的步态视频,将提取的时间序列关键点坐标输入基于Transformer的模型。分别针对SARA总分及姿势与步态子评分(项目1–3之和)开发了独立模型。模型通过监督学习方式利用PD步态视频及运动障碍学会统一帕金森病评定量表第三部分(MDS–UPDRS Part III)轴向子评分进行预训练,或通过自监督掩码关键点重建进行预训练。采用留一参与者交叉验证评估性能(平均绝对误差(MAE)、决定系数(R2)),并通过参与者水平的Wilcoxon符号秩检验及Bootstrap 95%置信区间(CIs)评估模型间差异。 结果:研究人员分析了75例DCD患者和141例PD患者。对于SARA总分,监督预训练条件下的MAE和R2分别为1.91 ± 0.06和0.78 ± 0.01,自监督预训练条件下为1.95 ± 0.04和0.77 ± 0.01,从零训练条件下为2.04 ± 0.07和0.74 ± 0.02;两种策略均未显著降低参与者水平预测误差(p = 0.25和0.24)。对于姿势与步态子评分,仅监督预训练显著降低了预测误差(平均差异:?0.078;95% CI:?0.127至?0.031;p = 0.003)。 结论:基于PD步态数据的预训练适度降低了SARA预测误差,其中监督预训练在姿势与步态子评分方面达到统计学显著性。跨神经系统疾病进行预训练可能有助于模型获得病理性步态的可迁移表征,但其临床意义需在更大规模、多中心数据集中进行验证。
基于视频的深度学习预训练模型改善小脑性共济失调严重度评估——论文解读
一、研究背景与问题
退行性小脑疾病(DCDs)是一组以进行性共济失调为特征的神经系统疾病,其严重度评估通常依赖半定量临床评定量表,如共济失调评估与评级量表(SARA)。然而,此类量表基于临床观察的半定量判断,存在评估者间变异性和潜在主观性,亟需更客观、标准化的评估手段。近年来,姿态估计(pose estimation)技术作为计算机视觉方法,能够从视频中自动识别头部、躯干和关节等关键身体点,无需专用设备或传感器,成本低且易于实施,已被广泛应用于帕金森病(PD)和脊髓小脑性共济失调(SCA)等运动障碍的评估。研究人员此前已证明,将姿态估计与深度学习结合可从DCD患者的步态视频中预测SARA评分。然而,DCDs相对罕见,收集足够规模的标注视频数据面临重大挑战,而模型性能通常依赖于训练数据集规模,有限的标注数据成为实现稳健泛化和临床应用的实质性障碍。近年来,大规模预训练(包括监督学习和自监督学习)已被证明可在任务特定数据有限时显著提升模型性能,通过利用相关领域数据集使模型学习可迁移表征,为数据受限的临床场景提供了有前景的框架。
二、研究目的
本研究旨在探究利用PD患者的步态视频进行预训练是否能够改善深度学习模型在有限DCD数据集上预测SARA评分的性能,从而为罕见疾病的客观严重度评估提供可行路径。
三、主要技术方法
本研究纳入75例DCD患者和141例PD患者,DCD患者来自日本北海道大学医院,涵盖MSA-C、SCA1/2/3/6/31/36/42等多种亚型,PD患者用于预训练。研究人员采用OpenPose姿态估计算法从步态视频中提取25个关键点的二维坐标,每个视频帧产生50个坐标值,构成300×50的输入矩阵。模型采用基于Transformer架构的深度学习模型,利用自注意力机制建模步态关键点序列的时间动态。预训练策略包括两种:监督预训练使用MDS–UPDRS Part III轴向子评分(项目3.9–3.13之和)作为标签;自监督预训练则通过掩码时间连续帧段、重建缺失关键点坐标实现。评估采用留一参与者交叉验证,重复10次,计算MAE和R2,并通过Wilcoxon符号秩检验和Bootstrap置信区间进行参与者水平配对比较。
四、研究结果
4.1 参与者特征
研究共纳入75例DCD患者和141例PD患者。DCD患者基线SARA评分范围为1至20(中位数13.5),涵盖从极轻到中度的可步行患者。PD患者MDS–UPDRS Part III总分范围为8至72(中位数33.0),轴向子评分范围为0至15(中位数4.0)。22例DCD患者进行了两次访视,10例进行了三次访视,共产生351个步态视频;PD患者共产生423个视频。
4.2 学习表征可视化
通过主成分分析(PCA)对微调前Transformer编码器提取的特征嵌入进行可视化。在PD数据中,监督预训练模型的第一主成分(PC1)与MDS–UPDRS Part III轴向子评分呈强相关(ρ = ?0.893),而零训练模型无显著相关(ρ = ?0.049),自监督预训练模型也表现出实质性相关但弱于监督模型。在DCD数据中,零训练模型未显示明显相关(PC1:ρ = ?0.203),自监督预训练模型表现出较强相关(PC1:ρ = ?0.638),监督预训练模型相关性最强(PC1:ρ = ?0.775),并沿PC1呈现轻症与重症的清晰分离。这表明两种预训练策略均使模型获得了超越预训练领域、部分编码疾病严重度的可迁移表征。
4.3 微调模型的SARA评分预测性能
在10次重复交叉验证中,SARA总分预测方面,监督预训练模型取得最低MAE(1.91 ± 0.06)和最高R2(0.78 ± 0.01),自监督预训练模型MAE为1.95 ± 0.04、R2为0.77 ± 0.01,零训练模型MAE为2.04 ± 0.07、R2为0.74 ± 0.02。参与者水平配对比较中,两种预训练策略相对零训练的误差降低均未达统计学显著性(监督预训练:平均差异?0.074,95% CI [?0.205, 0.056],p = 0.25;自监督预训练:平均差异?0.057,95% CI [?0.164, 0.048],p = 0.24)。在姿势与步态子评分预测中,监督预训练模型MAE为1.10 ± 0.02、R2为0.73 ± 0.02,自监督模型MAE为1.16 ± 0.02、R2为0.72 ± 0.01,零训练模型MAE为1.16 ± 0.02、R2为0.71 ± 0.02。参与者水平配对比较显示,仅监督预训练显著降低了子评分预测误差(平均差异?0.078,95% CI [?0.127, ?0.031],p = 0.003),自监督预训练未达显著性(平均差异?0.008,95% CI [?0.071, 0.056],p = 0.95)。
五、讨论与结论
研究人员选择PD进行预训练基于两方面考量:一是PD与DCD的步态模式存在共同特征(步速降低、步幅缩短、时空变异性增加),有利于学习病理性步态的共享表征;二是PD患病率远高于DCD,便于获取更大规模的预训练数据集。监督预训练优于自监督预训练的原因可能在于其显式整合了编码运动与步态严重度的临床标签,使模型更直接地学习任务相关表征,PCA分析也支持这一解释。然而,MDS–UPDRS评分采集需要训练有素的专业人员,耗时且负担较重;自监督学习虽不依赖临床标签具有实际优势,但未转化为预测误差的显著降低。即使监督预训练,误差降低幅度也较小,研究结果应视为跨神经疾病步态表征可迁移性的概念验证,而非临床相关优势的证据。研究局限性包括:单一机构数据需外部验证、超参数未针对各策略单独优化、DCD临床谱系异质性(如SCA1/3可能伴痉挛、MSA-C可能伴帕金森样特征)未单独建模。未来需更大规模多中心队列、疾病特异性表型分析和策略特异性优化。研究结论为:基于PD步态数据的预训练适度降低了SARA预测误差,监督预训练在姿势与步态子评分方面达到统计学显著性;跨神经系统疾病预训练可能有助于模型获得病理性步态的可迁移表征,但其临床意义需在更大规模、多中心数据集中验证。
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