NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Bilgisayar görme teknolojisinin ortaya çıkması ve video kameraların klinik ortamlarda kullanımının artması, hareket bozukluğu analizindeki ilerlemeleri kolaylaştırmıştır. Bu inceleme, Parkinson hastalığı, ataksi, diskinezi ve Tourette sendromu gibi hareket bozukluklarının teşhisi ve analizi için pratik, düşük maliyetli çözümler sağlama açısından bu gelişmeleri araştırdı. Hareket bozuklukları için geleneksel teşhis yöntemleri tipik olarak doğal zorluklar oluşturan motor semptomların öznel değerlendirmesine dayanır. Ayrıca, erken belirtiler genellikle göz ardı edilir ve hastalıklar arasında örtüşen semptomlar erken tanıyı zorlaştırabilir. Sonuç olarak, hareket bozukluklarının objektif video tabanlı analizi için derin öğrenme kullanılmıştır. Bu çalışma, hareket bozuklukları için derin öğrenme kullanarak otomatik iki boyutlu ve üç boyutlu video analizindeki en son gelişmeleri sistematik olarak gözden geçirdi. Eylül 2023'e kadar yayınlanan literatürü, Web of Science, PubMed, Scopus ve Embasse veritabanlarında arama yaparak kapsamlı bir şekilde analiz ettik. 68 ilgili çalışma belirledik ve hedefleri, veri kümeleri, modaliteleri ve metodolojileri hakkında bilgi topladık. Çalışma, video analizinin rolü ve hareket bozukluğu analizinde derin öğrenme üzerine konsolide bir bilgi tabanı sunarak en önemli gelişmeleri tanımlamayı, kataloglamayı ve sunmayı amaçladı. İlk olarak, spesifik PD semptom niceliği, ataksi değerlendirmesi, serebral palsi değerlendirmesi, yürüyüş bozukluğu analizi, titreme değerlendirmesi, tik tespiti (Turette sendromu bağlamında), distoni değerlendirmesi ve anormal hareket tanıma gibi hedefler tartışıldı. Daha sonra çalışmada kullanılan veri kümeleri incelendi. Daha sonra konuyla ilgili video modaliteleri ve derin öğrenme metodolojileri araştırıldı. Son olarak, veri setleri, yorumlanabilirlik, değerlendirme yöntemleri ve ev/uzak izleme açısından zorluklar ve fırsatlar tartışıldı.
Özgün kaynak özetini okuyun
The advent of computer vision technology and increased usage of video cameras in clinical settings have facilitated advancements in movement disorder analysis. This review investigated these advancements in terms of providing practical, low-cost solutions for the diagnosis and analysis of movement disorders, such as Parkinson's disease, ataxia, dyskinesia, and Tourette syndrome. Traditional diagnostic methods for movement disorders are typically reliant on the subjective assessment of motor symptoms, which poses inherent challenges. Furthermore, early symptoms are often overlooked, and overlapping symptoms across diseases can complicate early diagnosis. Consequently, deep learning has been used for the objective video-based analysis of movement disorders. This study systematically reviewed the latest advancements in automatic two-dimensional & three-dimensional video analysis using deep learning for movement disorders. We comprehensively analyzed the literature published until September 2023 by searching the Web of Science, PubMed, Scopus, and Embase databases. We identified 68 relevant studies and extracted information on their objectives, datasets, modalities, and methodologies. The study aimed to identify, catalogue, and present the most significant advancements, offering a consolidated knowledge base on the role of video analysis and deep learning in movement disorder analysis. First, the objectives, including specific PD symptom quantification, ataxia assessment, cerebral palsy assessment, gait disorder analysis, tremor assessment, tic detection (in the context of Tourette syndrome), dystonia assessment, and abnormal movement recognition were discussed. Thereafter, the datasets used in the study were examined. Subsequently, video modalities and deep learning methodologies related to the topic were investigated. Finally, the challenges and opportunities in terms of datasets, interpretability, evaluation methods, and home/remote monitoring were discussed.
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.