「醫療輔助」影像篇!利用 AI 提升帕金森氏症診斷精度


:
: 林子晴Tzu-Ching Lin 張鈞閔Chun-Min Chang 
: 論文醫療

這一次,BIIC 與中醫大附醫新竹分院陳睿正醫師率領的動作障礙團隊合作,大幅提升了帕金森氏症的診斷精度!

在一次的演講中,李祈均老師提出了人工智慧應用於醫療的願景,而中國醫藥大學附設醫院新竹分院的神經內科主任陳睿正醫師正好在場,因此聯繫上李祈均老師,促成了本次的合作。

背景

提升帕金森氏症的診斷精度重要嗎?帕金森氏症是全球最常見、最嚴重的疾病之一,會導致身體的運動系統受損,造成顫抖、僵硬、行動緩慢、行走困難等症狀。這個長期退化的神經系統失調慢性病,在 2015 年全球就有 620 萬人深受其擾,並造成其中 11.7 萬人死亡。

對病患而言最痛苦的是,帕金森氏症無法治癒,僅能夠透過治療緩解症狀。因此有效的治療更加重要。治療帕金森氏症最常使用的藥物是左旋多巴(Levodopa),可以有效地緩解帕金森氏症的症狀,但若長期過量使用,會造成身體晃動等副作用。目前醫生要判斷劑量,只能在頭幾次治療時嘗試、調整。

雖然能夠評估病情來開藥,但是想要精確評估帕金森氏症病情嚴重程度相當困難。目前臨床上都使用 UPDRS 量表進行失調評估,通常須依賴訓練有素的醫療人員親自檢視,病患或家屬無法在家或依個人需求評估,也被認為可能會有治療師的個人偏誤。


UPDRS
(圖:部分UPDRS 量表,來源:台灣動作障礙協會

綜合上述,開發客觀自動化的評估方法非常重要。過去大部分的研究都採用穿戴裝置,包括戴手環、腳環或是無線穿戴式感應器等等,然而穿戴式裝置通常成本高昂,或是安裝困難。因此近來研究者改為探討以視覺為基礎,進行帕金森氏症的評估。

本文將介紹的就是博士生張鈞閔所提出的,利用影像進行評估的架構。架構中結合 UPDRS 的多項任務此一特點,是以往的研究中較為少見的。本次利用與中醫大附醫提供的 106 個評估樣本,得到70% 以上的運動、顫抖評估準確率,再度提升了自動化評估的精準度!


 

實驗簡介

本次實驗利用的資料庫由中醫大附醫神經科蒐集並提供,鈞閔使用了 UPDRS 量表之中的手部顫抖及失調評估兩項任務進行研究。首先,錄下十秒病患做出運動、顫抖評估任務的指定動作後,由神經學專家觀看影片進行帕金森氏症評估的標記,而鈞閔則利用 OpenPose 工具,以幀為單位截取手部的特徵點特徵並編碼。

舉例來說,手部定義的特徵點有1-25號,目標要測試大拇指及食指的按壓,因此就可以藉由算1號到5號的距離、2號到6號的距離等等,計算速度及加速度,當有症狀時就可以明顯的發現動作中速度及加速度的不穩定變化。這雖然也是肉眼可見的症狀,但透過數學的方式量化後,就可以藉此資料作進一步的研究囉!

分別得到兩項任務的數據後,鈞閔透過聯合測試資訊再進行編碼,例如說,動作失調任務可以看到顫抖任務的資訊、而顫抖任務也可以看出動作失調任務的資訊。透過整合其他任務的資訊到原始任務,可以讓資訊變的更完整、更有容易預測。

總之,鈞閔以此方法(joint training)處理了 106 份病患進行 UPDRS 測驗的影像資料,取其中的手部顫抖及失調評估兩項任務進行研究。

動作失調任務是透過觀察病患快速地將大拇指跟食指比 ok 手勢再分開,手部顫抖任務則是確認病患在放鬆狀態下的顫抖情況。本實驗將以 UPDRS 標準中的分數 0 4 分做計算依據。



OK hand
ok 手勢。來源:GIPHY

實驗開始!

本次的目標是訓練模型自動區分每隻手在個別任務(動作任務、顫抖任務)中是否正常。

鈞閔對這些任務的影像進行編碼,將以幀為單位的特徵,編碼成以任務為單位的特徵,讓他可以了解不同任務的特徵,進一步的利用任務的特徵來進行預測。

鈞閔使用了兩種編碼方式:功能性編碼(Functional費雪向量編碼(Fisher Vector, FV

  • 功能性編碼:計算資料的統計特徵,藉此得到特徵的分布。包括了15個統計函數——最大值,最小值,平均值,中位數,標準差,第1百分位數,第99百分位數,第99百分位數 - 1百分位數,偏度,峰度,最小位置,最大位置,更低 四分位數,上四分位數,四分位數範圍。這些超過300個幀級特徵,產生了具有 720 維度的編碼向量。
  • 費雪向量編碼:透過大家的分布,來看每個人的統計數字。即透過建立容納 200 多人資料的分布,再透過此分布,分別賦予這 200 多人的資料一個新的特徵。其中鈞閔測試了 481632 個高斯分布的計算,使用基礎的支撐向量機(SVM及深度學習的深度神經網絡(DNN來處理,並分別對單一任務和聯合兩個任務的左右手資料進行運算,預測實際各任務得到的分數,藉此找出準確率較高的計算方式。


(圖:最左側直欄上半部為,聯合及單一的 DNN 處理,以及整合及單一的 SVM 處理,來預測動作任務得到的分數;下半部則是聯合及單一的 DNN 處理,以及整合及單一的 SVM 處理,來預測顫抖任務得到的分數。(不是繞口令!))

從上表可見,鈞閔利用功能性編碼及四種不同高斯分布的費雪向量編碼,找出左右手的運動及顫抖項目中最準的預測,得到每個任務分別適合的計算方法。綜合表現最佳的是聯合訓練的 DNN,達到 78.01% 和 80.60 的準確度!

之後,鈞閔進一步分析提升準確率的關鍵,例如,顫抖任務中大拇指移動距離的高度與病患在動作測試分數高度相關;動作任務中大拇指與食指的距離、速度、加速度和病患的顫抖測試分數相關。

鈞閔特別整理出以下的圖,圖 4a 展現了兩個組別大拇指的移動距離的分布,圖 4b 則表現了兩組分別的大拇指尖和食指尖的距離分布,4c4d 表現了兩組大拇指根和食指根的距離分布,藍色是正常、橘色是不正常。簡單說,我們看見大拇指的移動距離任務是和動作分數相關,這個現象被深度學習的聯合訓練架構捕捉,因此得到較高的準確率!


(圖:顫抖與動作的正常與不正常。)

遠大的抱負!

這次提出的「深度聯合學習網絡」執行以影像為基礎的自動化帕金森氏症顫抖與動作狀態區分,其中利用跨任務的運算,成功提升準確率,是這次研究的價值所在!未來希望能夠加入更多的病患資料,例如測試中的腿、腳項目,使評估系統更加準確。鈞閔也表示,會持續的開發進階的深度學習演算法應用到臨床醫療中!

 

(圖:操作場景,來源:自由時報)

 

本文章授權改寫自博士生張鈞閔 2019 年於 EMBC 發表的論文

Chun-Min Chang, Yu-Lin Huang, Jui-Cheng Chen, Chi-Chun Lee, "Improving Automatic Tremor and Movement Motor Disorder Severity Assessment for Parkinson’s Disease with Deep Joint Training" in Proceedings of Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 2019



Chun-Ming Chang

(圖:博士生張鈞閔,攝於未來科技展)


Back