NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Arka plan Derin sinir ağları (DNN'ler) klinik yürüyüş analizinde sanat performansının durumunu gösterse de, bunlar kara kutu algoritmaları olarak kabul edilir. Başka bir deyişle, bir DNN'nin ilgili özellikleri tanımlama, klinik kabulü engelleme yeteneğini doğrudan anlama eksikliği vardır. DNN tahminlerini açıklamak için bir yol sağlayarak bu endişeyi hafifletmek için yorumlanabilirlik yöntemleri geliştirilmiştir.MetodlarBu makale, Parkinson hastalığının (PD) en zayıflatıcı semptomlarından biri olan yürüyüşün dondurulmasından (FOG) önce hareketi sınıflandırmak için DNN kararlarını açıklamak için bir yorumlanabilirlik yöntemi kullanılmasını önermektedir. Önerilen iki aşamalı boru hattı, (1) bir FOG bölümünden önce mevcut hareketin azaltılmasını modellemek için bir konvolutional sinir ağı (CNN) ve (2) katman yönünde alaka yayılımı (LRP) ile CNN'in patolojiyi modellemek için önemli olarak algıladığı altta yatan özellikleri görselleştirmek için oluşur. CNN, FOG'lu on dört PD hastasının hareket yakalama veri setinden sagittal düzlem kinematikleri ile eğitildi. Model tahminlerinin ve öğrenilen özelliklerin sağlamlığı, FOG'suz on dört PD hastasında ve on dört yaş uyumlu sağlıklı kontrolde daha da değerlendirildi.SonuçlarCN, FOG'dan önce gelen hareketin modellenmesinde son derece doğru olduğunu kanıtladı ve adımların %86,8'i doğru bir şekilde tanımlandı. Ancak CNN modeli, protokol sırasında donan yedi hastadan biri için hareketi modelleyemedi. LRP yorumlanabilirlik vaka çalışması, (1) CNN tarafından en alakalı olarak algılanan kinematik özelliklerin, salıncak fazı sırasında azalmış tepe diz fleksiyonu ve sabit ayak bileği dorsifleksiyonu olduğunu, (2) FOG'lu olmayan PD hastalarında ve sağlıklı kontrol deneklerinde FOG için çok az alakanın gözlendiğini ve (3) bir konunun kötü tahminsel performansının, hastanın benzersiz ve ciddi şekilde esnek yürüyüş imzasına atfedildiğini göstermektedir.
Özgün kaynak özetini okuyun
BackgroundAlthough deep neural networks (DNNs) are showing state of the art performance in clinical gait analysis, they are considered to be black-box algorithms. In other words, there is a lack of direct understanding of a DNN's ability to identify relevant features, hindering clinical acceptance. Interpretability methods have been developed to ameliorate this concern by providing a way to explain DNN predictions.MethodsThis paper proposes the use of an interpretability method to explain DNN decisions for classifying the movement that precedes freezing of gait (FOG), one of the most debilitating symptoms of Parkinson's disease (PD). The proposed two-stage pipeline consists of (1) a convolutional neural network (CNN) to model the reduction of movement present before a FOG episode, and (2) layer-wise relevance propagation (LRP) to visualize the underlying features that the CNN perceives as important to model the pathology. The CNN was trained with the sagittal plane kinematics from a motion capture dataset of fourteen PD patients with FOG. The robustness of the model predictions and learned features was further assessed on fourteen PD patients without FOG and fourteen age-matched healthy controls.ResultsThe CNN proved highly accurate in modelling the movement that precedes FOG, with 86.8% of the strides being correctly identified. However, the CNN model was unable to model the movement for one of the seven patients that froze during the protocol. The LRP interpretability case study shows that (1) the kinematic features perceived as most relevant by the CNN are the reduced peak knee flexion and the fixed ankle dorsiflexion during the swing phase, (2) very little relevance for FOG is observed in the PD patients without FOG and the healthy control subjects, and (3) the poor predictive performance of one subject is attributed to the patient's unique and severely flexed gait signature.ConclusionsThe proposed pipeline can aid clinicians in explaining DNN decisions in clinical gait analysis and aid machine learning practitioners in assessing the generalization of their models by ensuring that the predictions are based on meaningful kinematic features.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.