观点
退行性病与再生
人工智能辅助技术必然用于多发性硬化震颤的诊断
德国维尔茨堡大学的Muthuraman Muthuraman团队
约有一半的多发性硬化（MS）患者会出现震颤。多发性硬化震颤的频率范围很广，为 2.5-7 Hz。震颤可能影响上下肢、头部和躯干。尽管震颤很普遍，但对其病理生理学及其与疾病严重程度的关系却研究不足。缺乏研究的一个主要原因可能是对多发性硬化特有的震颤进行鉴别诊断所面临的临床挑战。近年来，加速度计、肌电图（EMG）、斯图尔特-霍姆斯手法等更复杂、更敏感的测量方法得到了应用。然而，由于对这些技术在诊断中的有效性研究不足，临床医生在评估震颤时采用这些测量方法的积极性不高。此外，在使用功能量表评估多发性硬化患者时缺乏震颤评估方案，这给临床医生增加了额外负担。临床诊断实践中缺乏统一的震颤评级系统或共识，可能是导致MS 诊断功能量表忽略震颤评估的原因之一。因此，在最近的一项研究中，德国维尔茨堡大学的Muthuraman Muthuraman团队利用肌电图和加速度测量数据开发了一个易于使用的分析框架，以超过 90% 的准确率区分震颤，从而解决了这一难题。除了准确率高之外，使用所提出的方法确定的分类还与临床结果显示出很强的相关性，进一步证明了该方法具有补充现有多发性硬化患者震颤诊断方法的潜力。
近年来，通过提供有用的数据管理工具、可靠的信息和症状监测，支持多发性硬化患者的移动医疗和电子健康应用程序得到了极大的发展。还有许多人尝试使用基于人工智能的算法来开发辅助技术，以检测/分类不同类型的震颤。这些尝试包括开发量化可穿戴传感器信号的模型、使用不同的机器学习方法对其进行分类以及开发数据驱动框架（例如，NeurDNet 使用一个包含约 250 个震颤实例的现有数据库。然而，几乎所有这些尝试都主要关注帕金森病和/或本质震颤，而非多发性硬化震颤，只有最近的几项研究例外；其中一项研究开发了一种名为 TREMBAL 的仪器，利用电磁运动捕捉技术来量化多发性硬化震颤，另一项研究利用 5G 无线体感网络来确定不同的身体运动，包括震颤。所有这些研究，包括上文讨论的Muthuraman Muthuraman团队研究，都存在样本量少、数据处理复杂等明显问题。然而，所有这些尝试都清楚地表明，未来使用人工智能辅助技术改善多发性硬化震颤诊断不仅是必然的，也是必要的。此外，Muthuraman团队研究只侧重于使用所提出的算法--SDWD--来区分没有同时出现其他运动障碍的震颤。这可能是一个非常重要的探索领域，有助于提高基于人工智能的辅助技术在临床上的应用。因此，未来的研究应侧重于改进这些发现，在更大和更多样化的样本中以极高的准确性对震颤进行稳健分类，测试更多的鉴别诊断，使用最先进的基于人工智能的框架来训练、测试和开发这些算法，最重要的是简化前端能力，以方便在临床条件中使用。
文章在《中国神经再生研究（英文版）》杂志2024年5期发表。
扫描二维码或复制链接
阅读原文
https://www.sjzsyj.com.cn/CN/10.4103/1673-5374.382988
引用本文：
Koirala N, Hossen A, Isaias IU, Volkmann J, Muthuraman M (2024) Assistive techniques and their added value for tremor classification in multiple sclerosis. Neural Regen Res 19(5):977-978.
