Machine learning for video-based assessment of movement disorders: application to early onset ataxia and developmental coordination disorder
Machine learning voor videogebaseerde beoordeling van bewegingsstoornissen
Kinderen met een motorische ontwikkelingsstoornis hebben vaak moeite met bewegen: hun balans, coördinatie en fijne motoriek verlopen niet zoals bij andere kinderen. Twee aandoeningen komen hierbij regelmatig voor: Early Onset Ataxia (EOA) en Developmental Coordination Disorder (DCD). De symptomen lijken sterk op elkaar, waardoor het voor artsen soms lastig is om een goede diagnose te stellen. Een juiste diagnose is echter heel belangrijk, omdat vroegtijdige behandeling het functioneren en de ontwikkeling van een kind aanzienlijk kan verbeteren.
Op dit moment baseren artsen hun beoordeling vooral op kijken naar het kind en het invullen van klinische schalen. Dit kost veel tijd en hangt af van de ervaring van de arts. Daardoor kunnen de uitkomsten variëren tussen verschillende beoordelaars. In dit proefschrift van Wei Tang wordt onderzocht hoe kunstmatige intelligentie en video-analyse kunnen helpen om deze beoordelingen objectiever, betrouwbaarder en efficiënter te maken.
Met behulp van korte video-opnames van kinderen die eenvoudige taken uitvoeren, zoals lopen of met de vinger de neus aanraken zijn AI modellen die automatisch patronen in het bewegen herkennen, ontwikkeld. Deze patronen kunnen helpen om EOA, DCD en normale motorische ontwikkeling beter van elkaar te onderscheiden. De gebruikte modellen maken geen gebruik van speciale sensoren; gewone video’s uit de kliniek zijn voldoende.
In dit onderzoek worden zowel traditionele machine learning-technieken als moderne deep learning-methoden toegepast. De modellen laten veelbelovende resultaten zien en kunnen bovendien aangeven welke delen van de beweging belangrijk waren voor hun oordeel. Dit maakt de uitkomsten beter te begrijpen voor artsen en draagt bij aan het vertrouwen in AI-systemen.
Door te focussen op betrouwbaarheid, nauwkeurigheid, verklaarbaarheid en robuustheid, brengt dit proefschrift de ontwikkeling van AI-ondersteunde tools een stap dichterbij. In de toekomst kunnen dergelijke systemen artsen helpen om sneller en consistenter diagnoses te stellen, wat kan leiden tot betere zorg en ondersteuning voor kinderen met motorische problemen.