利用惯性测量单元进行步态冻结评估的深度学习：一项多中心验证研究

《npj Parkinson's Disease》：Deep learning for freezing of gait assessment using inertial measurement units: a multicentre validation study

　　

摘要

视频注释是评估帕金森病患者步态冻结（FOG）现象的黄金标准，但这种方法耗时较长。利用惯性测量单元进行深度学习（DL）评估可以缓解这一问题，但也带来了一些挑战。特别是，患者之间以及不同评估方法之间的巨大差异可能会影响独立队列之间的检测结果。为了评估这些差异性因素，我们在一个本地队列（85名参与者；2043次试验）上开发了一个DL模型，并在六个外部队列（256名参与者；1058次试验）中对其进行了验证。该模型在本地队列中的专家一致性较高（ICC = 0.886 [0.79, 0.90]），但在外部队列中一致性较低（ICC = 0.562 ± 0.141）。仅使用50分钟的外部队列数据对DL模型进行微调后，其一致性提升至0.732 ± 0.138，接近两名临床评估者通过视频注释达成的一致性下限（ICC = 0.73–0.99）。因此，在统一标准尚未制定的情况下，我们提出了一种“人在回路”（human-in-the-loop）的工作流程作为有效的中间解决方案，并展示了一个用于模型微调和专家评审的基于Web的概念验证平台（aidfog.be）。