Lập bản đồ tư thế để đánh giá bệnh nhân bại não từ xa

Có thể áp dụng phương pháp học máy này trên hầu hết các thiết bị di động và mở rộng ứng dụng nó để đánh giá các dạng rối loạn vận động khác.

Với trẻ em bị các chứng rối loạn vận động như bại não, không phải lúc nào cha mẹ cũng có thể đưa chúng đến phòng khám để bác sĩ lâm sàng theo dõi và đánh giá thường xuyên. Do đó, các kỹ sư MIT hy vọng giải pháp của mình có thể giúp giảm bớt gánh nặng chi phí, thời gian và cảm xúc của những gia đình bệnh nhân bằng một phương pháp đánh giá từ xa chức năng vận động của bệnh nhân.

Họ đã phát triển một mô hình học máy để phân tích video của bệnh nhân trong thời gian thực, sau đó tính điểm lâm sàng về chức năng vận động của bệnh nhân dựa trên các mẫu (patterns) tư thế nhất định mà nó phát hiện trong khung video.

Các nhà nghiên cứu đã thử nghiệm phương pháp này trên video của hơn 1.000 trẻ em bị bại não. Các kỹ sư nhận thấy, phương pháp này có thể xử lý từng video và chỉ định điểm số lâm sàng phù hợp với độ chính xác hơn 70% so với những kết quả mà bác sĩ lâm sàng đã xác định trong những chuyến thăm bệnh trực tiếp trước đó.

Phần mềm phân tích này có thể vận hành trên một loạt các thiết bị di động. Người dùng có thể quay video khi di chuyển, sau đó tải video vào một chương trình để chúng nhanh chóng phân tích các khung hình video và chỉ định điểm số lâm sàng. Video và điểm số sau đó có thể được gửi đến bác sĩ để xem xét.

Bên cạnh bệnh bại liệt, nhóm nghiên cứu cho biết họ đang điều chỉnh cách tiếp cận này để đánh giá trẻ em mắc chứng loạn dưỡng chất trắng nhược sắc (metachromatic leukodystrophy) – một rối loạn di truyền hiếm gặp ảnh hưởng đến hệ thần kinh trung ương và ngoại biên. Họ cũng hy vọng sẽ điều chỉnh phương pháp này để đánh giá những bệnh nhân đã trải qua đột quỵ.

Đào tạo mạng neuron học máy

Tại MIT, Hermano Krebs đã phát triển các hệ thống robot vật lý để giúp bệnh nhân lấy lại hoặc tăng cường chức năng vận động. Ông cũng điều chỉnh hệ thống này để đánh giá sự tiến triển của bệnh nhân và dự đoán liệu pháp nào có thể phù hợp nhất cho họ.

Mặc dù vận hành tốt nhưng các công nghệ này cũng có hạn chế, đó là khả năng tiếp cận. Người bệnh phải đi đến bệnh viện hoặc cơ sở y tế, nơi có robot.

“Chúng tôi tự hỏi, làm thế nào để mở rộng kết quả có được với robot phục hồi chức năng thành một thiết bị phổ biến?” Krebs nhớ lại. “Vì điện thoại thông minh có mặt ở khắp mọi nơi, mục tiêu của chúng tôi là tận dụng khả năng của chúng để đánh giá từ xa những người khuyết tật vận động, để họ có thể được đánh giá ở bất cứ đâu.”

Trước tiên, họ xem xét thị giác máy tính và các thuật toán ước tính chuyển động của con người. Trong những năm gần đây, các nhà khoa học đã phát triển các thuật toán ước tính tư thế được thiết kế để quay video (ví dụ, một người đá bóng) và biến chuyển động của người đó thành một loạt các tư thế của bộ khung cơ thể tương ứng, trong thời gian thực. Chuỗi các đường và điểm [trên bộ khung mô hình] có thể được ánh xạ thành tọa độ để phân tích.

Krebs và các đồng nghiệp của ông muốn phát triển một phương pháp phân tích dữ liệu tư thế bộ khung cơ thể bệnh nhân bại não. Họ dùng một bộ dữ liệu tư thế bộ khung công khai sẵn của Phòng thí nghiệm Cơ sinh học Thần kinh cơ thuộc Đại học Stanford. Bộ dữ liệu này bao gồm các video của hơn 1.000 trẻ em bị bại não. Mỗi video cho thấy một đứa trẻ thực hiện một loạt các bài tập trong môi trường lâm sàng và được gắn thẻ điểm từ 1-5 theo hệ thống phân loại chức năng vận động thô (GMFCS) mà bác sĩ lâm sàng đã chỉ định cho trẻ sau khi đánh giá trực tiếp.

Nhóm Stanford đã chạy các video thông qua một thuật toán ước tính tư thế để tạo dữ liệu tư thế bộ khung cơ thể. Dữ liệu này đã được nhóm MIT sử dụng làm điểm khởi đầu cho nghiên cứu của họ.

Sau đó, các nhà nghiên cứu MIT đã tìm cách để giải mã tự động các mẫu trong dữ liệu bại não đặc trưng của từng cấp độ chức năng vận động lâm sàng.
Họ bắt đầu với một quy trình học máy gọi là mạng neuron tích chập đồ thị không-thời gian. Chúng có thể đào tạo máy tính xử lý các dữ liệu không gian thay đổi theo thời gian (chẳng hạn như một chuỗi tư thế bộ khung cơ thể) và chỉ định phân loại.

Trước khi áp dụng mạng nơron tích chập này cho bệnh bại não, họ đã dùng một mô hình được đào tạo trước trên một bộ dữ liệu tổng quát hơn, trong đó có các video về những người trưởng thành khỏe mạnh thực hiện các hoạt động hàng ngày khác nhau như đi bộ, chạy, ngồi và bắt tay.

Họ lấy bộ khung của mô hình được đào tạo trước này, thêm vào đó một lớp phân loại mới [theo hệ thống GMFCS], sau đó tinh chỉnh mạng neuron để chúng có thể nhận ra các khuôn mẫu đặc biệt trong chuyển động của trẻ bị bại não và phân loại chính xác chuyển động theo những mức đánh giá lâm sàng chính.

Các nhà nghiên cứu phát hiện ra rằng mạng neuron được đào tạo trước [với tập dữ liệu của người khỏe mạnh] đã học được cách phân loại chính xác mức độ vận động của trẻ em, và nó đã làm như vậy chính xác hơn so với khi nó chỉ được đào tạo trên dữ liệu bại não.

“Bởi vì mạng neuron được đào tạo trên một tập dữ liệu rất lớn gồm các chuyển động tổng quát hơn, nó có một số ý tưởng về cách trích xuất tính năng từ một chuỗi các tư thế của con người”, Peijun Zhao, đồng tác giả của nghiên cứu, giải thích. “Mặc dù bộ dữ liệu lớn hơn và bộ dữ liệu bại não có thể khác nhau nhưng chúng có chung một số mẫu hành động phổ biến của con người và cách mã hóa những hành động đó”.

Nhóm nghiên cứu đã thử nghiệm phương pháp của họ trên một số thiết bị di động, bao gồm nhiều dòng điện thoại thông minh, máy tính bảng và máy tính xách tay khác nhau. Hầu hết các thiết bị có thể chạy thành công chương trình và tạo điểm số lâm sàng từ video, gần như theo thời gian thực. MIT hiện đang phát triển một ứng dụng mà cha mẹ và người bệnh có thể dùng để tự động phân tích video trong môi trường riêng tư của họ.

“Cách tiếp cận này có thể dễ dàng mở rộng sang các khuyết tật khác như đột quỵ hoặc bệnh Parkinson một khi nó được thử nghiệm trong cộng đồng bệnh nhân bằng các số liệu thích hợp cho người lớn”, Alberto Esquenazi, giám đốc y tế tại Bệnh viện Phục hồi chức năng Moss ở Philadelphia, người không tham gia vào nghiên cứu cho biết. “Nó có thể cải thiện việc chăm sóc sức khỏe, giảm chi phí khám chữa bệnh, và tôi hy vọng rằng nó có thể làm tăng việc tuân thủ [điều trị của người bệnh]”.

“Trong tương lai, điều này cũng có thể giúp chúng tôi dự đoán cách bệnh nhân sẽ phản ứng với các can thiệp sớm hơn, bởi vì chúng tôi có thể đánh giá [người bệnh] thường xuyên hơn để xem liệu một can thiệp có hiệu quả hay không.” Krebs nói.

Kết quả nghiên cứu này sẽ được trình bày tại Hội nghị IEEE về Mạng cảm biến cơ thể vào tháng 10/2023.

Trang Linh tổng hợp
Nguồn: https://news.mit.edu/2023/pose-mapping-technique-cerebral-palsy-patients-0914