Mesterséges intelligencia a Parkinson-kór motoros tüneteinek kvantifikálásában

Az IEEE Xplore folyóirat 32. számában jelent meg a University of Florida kutatóinak cikke, amelyben egy olyan automatizált rendszer kifejlesztéséről számolnak be, amely gépi tanulási (machine learning) algoritmusok segítségével képes a Parkinson-kór motoros tüneteinek számszerűsítésére és a betegség progressziójának előrejelzésére.

A jelenlegi klinikai gyakorlatban az orvosok általában a Movement Disorder Society Unified PD Rating Scale (MDS-UPDRS) skála segítségével mérik fel a betegség progresszióját, amelyet  aztán enyhe, közepes vagy késői Parkinson-kórként osztályoznak például annak érdekében, hogy megállapítsák, a betegek hogyan reagálhatnak a különféle kezelésekre. Bár az MDS-UPDRS III. részének pontozási módszere megbízható és szenzitív megközelítés, a motoros tünetek jellemzésében korlátokba ütközik. Ezenkívül az MDS-UPDRS III szubjektív értelmezésre támaszkodik, és korlátozott érzékenységgel rendelkezik a Parkinson-kór prodromális vagy korai stádiumának felismerésében. Ezért a jelenleg alkalmazottnál jobb értékelési rendszer kidolgozására lenne szükség, amely érzékeny már a motoros funkciók apró megváltozásaira is: ez a megközelítés lehetővé tenné a Parkinson-kór különböző stádiumainak felismerését és hatékony kezelési stratégiák kidolgozását a progresszió késleltetése érdekében.

A mostani tanulmányban a kutatók egy olyan új digitális értékelési rendszer alkalmazási lehetőségeit vizsgálták, amely gépi tanulásos algoritmusokat használ az MDS-UPDRS III videofelvételeinek elemzése során. A vizsgálatok során az MDS-UPDRS III ujjal történő tapintásos tesztjét vették górcső alá, amelyet a végtagok bradikinéziájának értékelésére használnak. A motoros tünetek súlyosságának  algoritmusok segítségével történő értékelése nagyobb pontosságot eredményezett a Parkinson-kór diagnózisában és súlyosságának előrejelzésében, mint a hagyományos módszerek.

A betegség felismeréséhez rendelkezésre álló jelenlegi digitális módszerek azt feltételezik, hogy a betegség súlyosságát híven tükrözik bizonyos közös kinematikai jellemzők, amely a progresszióval asszociálhatóan következetesen ingadoznak. Ez a feltételezés azonban nem biztos, hogy érvényes, mivel a motoros tünetek nem változnak egységesen a Parkinson-kór előrehaladtával. Ezért a mostani vizsgálatban a kutatók azt feltételezték, hogy különböző kinematikai jellemzők figyelembevételével megbízhatóbban lehet felismerni a Parkinson-kórt, és pontosabban lehet megjósolni a motoros tünetek súlyosságát a betegség különböző stádiumaiban. Ehhez 66 Parkinson-kóros személy és 24 korban velük megegyező életkorú egészséges kontrollszemély videófelvételeit használták fel. A vizsgálat résztvevőitől a kezdői időpontban, majd egy évvel később gyűjtöttek adatokat. Az MDS-UPDRS III értékeléseket pedig, amelyek motoros és kognitív értékeléseket is tartalmaztak, videóra vették. Az adatgyűjtés előtt a vizsgálatban résztvevőket megkérték, hogy egy éjszakára vonjanak meg minden Parkinson-kór kezelésére használt gyógyszert. A kéz mozgásának értékelésére és a bradikinéziával összefüggésbe hozható videóalapú kinematikai jellemzők azonosítására gépi tanulásos algoritmusokat alkalmaztak.

Az adatelemzés során egy korábban is használt ordinális bináris osztályozási modellt és az újonnan kifejlesztett többszintű bináris osztályozási megközelítést hasonlítottak össze. A régi modell konzisztens jellemzőket használ minden súlyossági szinthez, míg az új, többszintű megközelítés figyelembe veszi a betegség súlyossági pontszámának ordinális jellegét, de a betegség súlyosságának megfelelően különböző mozgásjellemzőket vesz figyelembe.

A vizsgálat során a résztvevők egy szabvány videokamera előtt ültek, és egy ujjal koppintós feladatot végeztek el. Ezt a kamera rögzítette, és a felvételt a későbbi feldolgozáshoz eltárolták, de a feladat végrehajtását a helyszínen egy szakorvos irányította, aki egy klinikai pontszámot is megállapított. A kutatók összesen 180 videót elemeztek, köztük 123 videót Parkinson-kóros betegektől és 44 videót egészséges személyektől. A motoros tünetek súlyossága alapján 42, 20, 62 és 56 videó kapott nulla, egy, kettő és három pontot. Minden résztvevőnél két ujjtapintásos tesztvideót vizsgáltak, mindkét kézről egyet.

A legtöbb videóalapú kinematikai jellemző szignifikánsan különbözött a csoportok között; azonban amikor a súlyossági pontszámok közötti különbséget elemezték, az alacsonyabb pontszámú csoportok között eltérő jellemzők nem azok voltak, amelyek a legmagasabb pontszámú csoportok között különböztek. Ez az eredmény alátámasztja a vizsgálat hipotézisét, miszerint a betegség súlyosságát meghatározó kinematikai jellemzők a betegség progressziója során különbözőek lesznek.

Számos nem hagyományos kinematikai jellemzőt azonosítottak, például az amplitúdó-csökkenést, az ujjak nyitó és záró mozgásának sebességét, valamint a mozgással és az időzítés variabilitásával kapcsolatos, videókból számszerűsíthető jellemzőket. A meglévő módszerekhez képest az új, többszintű bináris osztályozási megközelítés nagyobb pontossággal jelezte előre a Parkinson-kór súlyosságát, és különbséget tett a különböző súlyossági szintek között.

A súlyosság automatikus, videóalapú gépi előrejelzése forradalmasíthatja a Parkinson-kór kezelését. Előmozdíthatja a motoros tünetek súlyosságának nyomon követését és számszerűsítését pusztán a videóelemzés révén. A jelen tanulmányban alkalmazott új, többszintű bináris osztályozási megközelítés hatékonyabbnak bizonyult a betegség súlyosságának meghatározásában; ezért ez a technika hatékonyan javíthatja a Parkinson-kór kezelését és a terápia hatékonyságának értékelését. Ahelyett, hogy egyetlen többosztályos modellre támaszkodnánk, hatékonyabbnak tűnik a többlépcsős modellezési megközelítés vagy a különböző súlyossági szinteken több jellemzőt figyelembe vevő modellek kombinációja.

Írásunk az alábbi közlemények alapján készült:

Machine learning revolutionizes Parkinson's disease symptom tracking and progression prediction

Characterizing Disease Progression in Parkinson’s Disease from Videos of the Finger Tapping Test

Irodalmi hivatkozás:

Guarín, L. D., Wong, J. K., McFaurland, N. R., et al. (2024) Characterizing Disease Progression in Parkinson’s Disease from Videos of the Finger Tapping Test. IEEE Transactions on Neural Systems and Rehabilitation Engineering 32; 2293-2301. doi:10.1109/TNSRE.2024.3416446.