Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

Les aides automatisées d'approche diagnostiquent des troubles neurologiques basés sur le handicap moteur

La voie que nous déménageons indique beaucoup au sujet de la condition de notre cerveau. Tandis que le comportement normal de moteur indique une fonction cérébrale saine, les écarts peuvent indiquer des handicaps dû aux maladies neurologiques. L'observation et le bilan des configurations de mouvement est pour cette raison une partie de recherche fondamentale et est de même l'un des instruments les plus importants pour la diagnose non envahissante dans les applications cliniques.

Sous la direction du prof. M. Björn Ommer d'informaticien et en collaboration avec des chercheurs de Suisse, une approche automatisée neuve dans ce contexte a été développée à l'université d'Heidelberg. En tant qu'études inter alia avec les personnes humaines de test ont montré, cette approche active la reconnaissance complètement automatique des handicaps moteurs et, par leur analyse, fournit à des informations sur le type des maladies sous-jacentes l'aide de l'artificial intelligence.

Pour l'analyse informatisée de mouvement, des sujets habituellement doivent être étiquetés avec les inscriptions réfléchies ou des bornes virtuelles doivent être appliquées au matériau visuel produit dans le cadre de l'évaluation. Les deux procédures sont comparativement compliquées. En outre, le comportement remarquable de mouvement doit être connu à l'avance de sorte qu'il puisse plus plus loin être examiné.

« Un outil de diagnostic réel devrait non seulement confirmer des troubles moteurs mais pouvoir les identifier en premier lieu et les classifier correctement, » explique prof. Ommer, qui dirige le groupe de visibilité d'ordinateur au centre interdisciplinaire pour calculer scientifique à l'université d'Heidelberg.

Avec précision cela est rendu possible par la méthode diagnostique nouvelle développée par son équipe, et connue sous le nom de « analyse et agrandissement non guidés de comportement utilisant apprendre profondément » (uBAM). L'algorithme fondamental est basé sur l'apprentissage automatique utilisant les réseaux neuronaux artificiels et il décèle indépendamment et entièrement automatiquement comportement caractéristique et écarts pathologiques, comme le scientifique d'Heidelberg explique.

L'algorithme détermine quelle partie du corps est affectée et fonctionne comme genre de loupe pour les configurations comportementales en mettant en valeur différents types d'écart directement dans le vidéo et en les rendant visibles. En tant qu'élément de ceci, le matériau visuel approprié est avec d'autres sujets en bonne santé ou de même nuis. Le progrès en traitant des troubles moteurs peut également être documenté et s'analysé de cette façon. Selon prof. Ommer, des conclusions peuvent également être tirées au sujet de l'activité neuronale dans le cerveau.

La base pour la surface adjacente d'uBAM est un soi-disant réseau neuronal circonvolutionnaire, un type de réseau neuronal qui est employé pour la reconnaissance d'image et les buts à traitement d'images particulièrement. Les scientifiques ont formé le réseau pour recenser le comportement assimilé de mouvement dans le cas des autres sujets, même malgré des différences grandes dans leur apparence extérieure.

C'est possible parce que l'artificial intelligence peut distinguer la position et l'apparence. Sans compter que la reconnaissance et la quantification des handicaps, une analyse détaillée des sympt40mes est également importante.

Pour les étudier en détail, nous employons un réseau neuronal génératif. De cette façon nous pouvons aider des neurologistes et des cliniciens à nous concentrer sur les écarts subtile dans le comportement de moteur qui sont susceptibles d'être négligés à l'oeil nu, et à les rendre facilement visibles en magnifiant l'écart. Alors nous pouvons exact délimiter le type de maladie dans le cas particulier. »

M. Björn Ommer, informaticien et professeur, université d'Heidelberg

L'équipe de recherche a déjà pu prouver l'efficacité de cette approche neuve à l'aide de différents modèles animaux et étudie avec les patients humains. Ils ont vérifié, inter alia, la précision avec laquelle l'uBAM peut différencier entre l'activité motrice saine et nuie. En leur publication sur le sujet, les scientifiques enregistrent un régime très élevé de recherche chez les souris et les patients humains.

« En tout, notre étude montre que, par rapport aux méthodes conventionnelles, l'approche basée sur l'artificial intelligence fournit des résultats plus détaillés avec de manière significative moins d'effort, » Björn Ommer met l'accent sur.

En ce qui concerne l'application, les scientifiques espèrent que l'uBAM sera employé dans la recherche biomédicale fondamentale et dans la diagnose clinique et au-delà. Prof. Ommer : « La surface adjacente peut être appliquée où les méthodes traditionnelles prouvent trop compliqué, pénible, ou assez non efficace. Potentiellement elle pourrait mener à une meilleure compréhension des procédés neuronaux dans le cerveau et du développement des options thérapeutiques neuves. »

Source:
Journal reference:

Brattoli, B., et al. (2021) Unsupervised behaviour analysis and magnification (uBAM) using deep learning. Nature Machine Intelligence. doi.org/10.1038/s42256-021-00326-x.