論文の概要: Deep Learning-Based Classification of Hyperkinetic Movement Disorders in Children

• arxiv url: http://arxiv.org/abs/2411.15200v1
• Date: Tue, 19 Nov 2024 22:02:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:24:34.746059
• Title: Deep Learning-Based Classification of Hyperkinetic Movement Disorders in Children
• Title（参考訳）: 深層学習による小児高運動障害の分類
• Authors: Nandika Ramamurthy, Dr Daniel Lumsden, Dr Rachel Sparks,
• Abstract要約: 小児の高速度運動障害 (HMD) は, 重なり合う臨床的特徴により, 重要な診断上の課題となる。 本研究では,運動課題を遂行する小児患者の映像記録からジストニアと胆管を区別するニューラルネットワークモデルを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Hyperkinetic movement disorders (HMDs) in children, including dystonia (abnormal twisting) and chorea (irregular, random movements), pose significant diagnostic challenges due to overlapping clinical features. The prevalence of dystonia ranges from 2 to 50 per million, and chorea from 5 to 10 per 100,000. These conditions are often diagnosed with delays averaging 4.75 to 7.83 years. Traditional diagnostic methods depend on clinical history and expert physical examinations, but specialized tests are ineffective due to the complex pathophysiology of these disorders. This study develops a neural network model to differentiate between dystonia and chorea from video recordings of paediatric patients performing motor tasks. The model integrates a Graph Convolutional Network (GCN) to capture spatial relationships and Long Short-Term Memory (LSTM) networks to account for temporal dynamics. Attention mechanisms were incorporated to improve model interpretability. The model was trained and validated on a dataset of 50 videos (31 chorea-predominant, 19 dystonia-predominant) collected under regulatory approval from Guy's and St Thomas' NHS Foundation Trust. The model achieved 85% accuracy, 81% sensitivity, and 88% specificity at 15 frames per second. Attention maps highlighted the model's ability to correctly identify involuntary movement patterns, with misclassifications often due to occluded body parts or subtle movement variations. This work demonstrates the potential of deep learning to improve the accuracy and efficiency of HMD diagnosis and could contribute to more reliable, interpretable clinical tools.
• Abstract（参考訳）: 小児における高運動性運動障害(HMD)は、ジストニア(異常なねじれ)やコレア(不規則でランダムな動き)を含む、臨床症状の重複による重要な診断上の課題である。 ジストニアの有病率は2から50万で、コレアは10万当たり5から10万である。 これらの条件は平均4.75年から7.83年遅れと診断されることが多い。 従来の診断法は、臨床の歴史や専門的な身体検査に依存するが、これらの疾患の複雑な病態のため、専門的な検査は効果がない。 本研究では,運動課題を遂行する小児患者の映像記録からジストニアと胆管を区別するニューラルネットワークモデルを開発した。 このモデルは、空間的関係をキャプチャするグラフ畳み込みネットワーク(GCN)と、時間力学を考慮に入れたLong Short-Term Memory(LSTM)ネットワークを統合する。 モデル解釈性を改善するために注意機構が組み込まれた。 このモデルはGuy'sとSt Thomas's NHS Foundation Trustの承認を得て収集された50のビデオ(31コレア・プレドミナント、19ジストニア・プレドミナント)で訓練され、検証された。 このモデルは85%の精度、81%の感度、88%の特異性を毎秒15フレームで達成した。 注意マップは、隠された身体の部分や微妙な動きの変化によってしばしば誤分類される、不随意運動パターンを正しく識別するモデルの能力を強調した。 この研究は、HMD診断の精度と効率を向上させるためのディープラーニングの可能性を示し、より信頼性が高く解釈可能な臨床ツールに寄与する可能性がある。

関連論文リスト

• Challenges in the Differential Classification of Individual Diagnoses from Co-Occurring Autism and ADHD Using Survey Data [2.521920073279046]
  自閉症とADHD(Autism and Attention-Deficit Hyper Activity Disorder)は、小児期で最もよく見られる神経発達障害の1つである。 両者を区別するための特定の計算アセスメントを提供することは、困難かつ時間を要することが証明される。 自動臨床意思決定支援システムの特徴として,対象とする行動を特定するために,全国小児健康調査のデータを用いた機械学習モデルを訓練した。
  論文  参考訳（メタデータ） (2024-11-13T03:38:56Z)
• Ensemble Modeling of Multiple Physical Indicators to Dynamically Phenotype Autism Spectrum Disorder [3.6630139570443996]
  自閉症スペクトラム障害(ASD)に関連する表現型マーカーを検出するためのコンピュータビジョンモデルをトレーニングするためのデータセットを提供する。 視線,頭位,顔のランドマークを入力として,LSTMを用いた個別モデルを訓練し,テストAUCは86%,67%,78%であった。
  論文  参考訳（メタデータ） (2024-08-23T17:55:58Z)
• Predicting Parkinson's disease evolution using deep learning [1.4610685586329806]
  パーキンソン病は、世界の人口の1%近くで起こる神経疾患である。 パーキンソン病の診断に利用できる血液検査やバイオマーカーは1つもない。 進行の段階を特定するために設計されたAIツールは存在しない。
  論文  参考訳（メタデータ） (2023-12-28T10:30:54Z)
• Modeling T1 Resting-State MRI Variants Using Convolutional Neural Networks in Diagnosis of OCD [0.0]
  強迫性障害(OCD: Obsessive-compulsive disorder)は、高度に不安定な障害である。 OCDは前頭前皮質とメタボトロピックグルタミン酸受容体5(mGluR5)と共通する 計算モデリング手法はmGluR5を含む過去の仮説の検証手段として用いられた。
  論文  参考訳（メタデータ） (2023-06-15T12:02:57Z)
• Deep learning reveals the common spectrum underlying multiple brain disorders in youth and elders from brain functional networks [53.257804915263165]
  ヒトの初期および後期の脳障害は、脳機能における病理学的変化を共有する可能性がある。 病理的共通性に関する神経画像データによる重要な証拠はいまだ発見されていない。 多地点機能磁気共鳴画像データを用いたディープラーニングモデルを構築し、健康的な制御から5つの異なる脳障害を分類する。
  論文  参考訳（メタデータ） (2023-02-23T09:22:05Z)
• iPAL: A Machine Learning Based Smart Healthcare Framework For Automatic Diagnosis Of Attention Deficit/Hyperactivity Disorder (ADHD) [15.675307032144064]
  この研究は、ADHD200データセット上のニューラルネットワークやSVMモデルのような機械学習技術を組み合わせてADHDを診断する方法を探究する。 本研究では,SVMモデルを用いた表現型データに対してマルチクラス分類を行う。ロジスティック回帰,KNN,AdaBoostなどの他の教師あり学習手法と比較して,表現型データに対して良好な結果が得られた。
  論文  参考訳（メタデータ） (2023-02-01T09:29:20Z)
• Automatic Classification of Neuromuscular Diseases in Children Using Photoacoustic Imaging [77.32032399775152]
  神経筋疾患(NMD)は、医療システムと社会の両方に重大な負担をもたらす。 激しい進行性筋力低下、筋変性、収縮、変形、進行性障害を引き起こす。
  論文  参考訳（メタデータ） (2022-01-27T16:37:19Z)
• Designing A Clinically Applicable Deep Recurrent Model to Identify Neuropsychiatric Symptoms in People Living with Dementia Using In-Home Monitoring Data [52.40058724040671]
  鎮静は認知症において高い有病率を有する神経精神医学症状の1つである。 扇動エピソードの検出は、認知症に生きる人々(PLWD)に早期かつタイムリーな介入を提供するのに役立つ。 本研究は,家庭内モニタリングデータを用いてPLWDの動揺リスクを分析するための教師付き学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-10-19T11:45:01Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• A Spatio-temporal Attention-based Model for Infant Movement Assessment from Videos [44.71923220732036]
  本研究では,短いクリップから抽出した人間のポーズを用いた新たなフィジット動作評価法を開発した。 人間のポーズは関節と手足の運動プロファイルのみをキャプチャし、無関係な外観の人工物は含まない。 実験の結果,提案手法はROC-AUCスコア81.87%を達成し,既存の競合手法よりも高い性能を示し,高い解釈性を示した。
  論文  参考訳（メタデータ） (2021-05-20T14:31:54Z)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。