Systém hodnocení akineze krku lidí trpících Parkinsonovou nemocí

Abstract

Parkinsonova nemoc (PN) je ve společnosti stále rozšířenější a pro současnou medicínu představuje trvalou výzvu. Ačkoli je k dispozici symptomatická léčba, dosud neexistuje žádný lék. Neustále se zkoumají nové biomarkery, které by zlepšily diagnostiku PN, pomohly při vývoji léčby a účinněji monitorovaly stav pacienta. S~příchodem výkonných technik strojového učení lze nyní mnoho příznaků měřit a vyhodnocovat digitálně, což umožňuje získat biomarkery, které lze snáze kvantifikovat a jsou méně náchylné k subjektivitě.

Tato práce vyvíjí automatický systém pro hodnocení bradykineze a akineze krku z RGB videozáznamů volního monologu. Do studie bylo zařazeno 120 de novo pacientů s PN bez nasazené medikace a 60 zdravých jedinců v kontrolní skupině. Polohy hlavy byly odhadnuty pomocí nástroju MediaPipe Face Landmarker a pro každou ze tří os rotace a tří os translace byly extrahovány čtyři různé parametry; dva popisující rozsah pohybu a dva popisující rychlost pohybu.

U všech extrahovaných parametrů kontrolní skupina po korekci stochasiticky dominuje nad skupinou s PN s vysokou významností (p < 0,001). Ve skupině s PN vykazovalo několik parametrů po korekci významné Spearmanovy korelace (p < 0,05) s dílčími a/nebo celkovými skóre MDS-UPDRS, ale žádný nevykazoval po korekci významné korelace s průměrným poměrem specifické vazby zadního putamenu. Pomocí výběru parametrů pro trénink binárního klasifikátoru logistické regrese lze potenciálně dosáhnout skóre F1 až 0,915 s přesností i citlivostí nad 0,9. Tato zjištění mohou potenciálně položit základy pro automatické hodnocení pohyblivosti krku na základě videozáznamu, které se stane novým digitálním biomarkerem pro PN.Parkinson's disease (PD) is increasingly prevalent in society and poses an ongoing challenge for current medicine. Though symptomatic treatments are available, no cure exists yet. New biomarkers are constantly being researched to improve diagnosis PD, aid in developing treatments, and more effectively monitor a patient's state. With the advent of powerful machine learning techniques, many symptoms can now be measured and evaluated digitally, allowing for biomarkers that are easier to quantify and less prone to subjectivity.

This work develops an automatic system for neck bradykinesia and akinesis assessment from RGB video recordings of free monologue. 120 drug-naïve de novo PD patients and 60 healthy controls (HC) were included in the study. Head poses were estimated using MediaPipe Face Landmarker and four different parameters were extracted for each of three rotation angles and three translation axes; Two describing range of movement and two describing speed of movement.

For all extracted parameters, the HC group stochasitcally dominates the PD group with high significance (p < 0.001) after correction. In the PD group, several parameters showed significant Spearman correlations (p < 0.05) after correction with partial and/or total MDS-UPDRS scores, but none showed significant correlations with mean posterior putamen specific binding ratio after correction. Using a selection of the parameters to train a logistic regression binary classifier, an F1 score up to 0.915 with both precision and recall above 0.9 can potentially be achieved. These findings can potentially lay the foundation for automatic video-based assessment of neck mobility becoming a new digital biomarker for PD.