Tekoäly poimii vauvan poikkeavan liikehdinnän videolta

Yksinkertainen videokuvaus vauvan liikkumisesta muutetaan tekoälyn avulla tiedoksi, jonka avulla voi arvioida lapsen kehitystä ja kuntoutuksen vaikuttavuutta.

Pikkuvauvojen omatoiminen liikehdintä paljastaa monia kliinisesti merkittäviä asioita lapsen kehityksestä. Tavallisia liikemalleja (general movements, GM) arvioimalla voidaan havaita kehityspoikkeamia ja muun muassa ennustaa CP-vamman riski hyvin varhaisessa vaiheessa.

– Kolmen kuukauden ikäisen vauvan normaaliin spontaaniin liikehtimiseen kuuluu käsien ja jalkojen pyörähteleviä, ’tanssahtelevia’, liikkeitä. Näiden liikkeiden puuttuminen ennustaa suurella todennäköisyydellä CP-vamman kehittymistä, kertoo kliinisen neurofysiologian professori Sampsa Vanhatalo.

Lapsuusiällä kehittyvän CP-vamman kuntoutus olisi tärkeää mahdollisimman varhain, jo muutaman kuukauden iässä. Nykyisin diagnoosi pystytään kuitenkin tekemään vasta kun lapsi on puolesta vuodesta kahteen vuoden iässä. GM-liikeanalyysi voisi auttaa tässä, mutta se tarvitsee erityisosaamista, joka syntyy kansainvälisen kurssituksen kautta. Siksi vain harvat lääkärit tai terapeutit hallitsevat menetelmän. Lisäksi nykyinen GM-analyysi pohjautuu silmämääräiseen arvioon ja on siksi aina subjektiivinen.

– Tarvitaan objektiivisia ja automatisoituja menetelmiä, jotta vauvan liikeanalyysia voitaisiin hyödyntää laajemmin ja se olisi jopa kaikkien maailman lasten ulottuvilla, Vanhatalo sanoo.

Tikku-ukko kertoo olennaisen

Helsingin ja Pisan yliopistojen tutkijat ryhtyivät selvittämään, voisiko tavallinen videokuvaus vauvan liikkeistä olla muunnettavissa koneellisesti analysoitavaksi tiedoksi. Tamperelainen videoiden tekoälyanalyysiin keskittynyt Neuro Event Labs kehitti tietokonepohjaisen menetelmän, joka pystyi poimimaan alkuperäiseltä videolta lapsen liikkeet (pose estimation) ja luomaan tämän tiedon pohjalta pelkistetyn tikku-ukkovideon.

Tutkijat antoivat seuraavaksi pelkistettyjä tikku-ukkovideoita analysoitavaksi GM-menetelmään perehtyneille lääkäreille nähdäkseen onko tikku-ukkojen liikkeissä säilynyt diagnostisesti merkittävä liiketieto. 

– Tikku-ukkovideoiden pohjalta tehdyt arviot osuivat 95-prosenttisesti oikeaan – kliinisesti olennainen tieto oli siis säilynyt muokatussa videossa, Vanhatalo sanoo.

Tämä osoitti, että automaattinen algoritmi voi löytää tavallisista videotallenteista kliinisesti merkitseviä liikemalleja. Näistä tikku-ukoista voidaan suoraan tehdä kvantitatiivista analyysia. Tutkijat osoittivat lopuksi proof of concept -tyyliin, miten hyvin yksinkertaiset liikkeiden mittaukset pystyvät varsin helposti erottelemaan normaalisti ja poikkeavasti liikehtivät lapset toisistaan.

Tikku-ukkovideoiden käyttö mahdollistaa myös sen että vauvojen liikkeitä kuvaavia videoita voidaan jakaa täysin anonymisoituina ympäri maailmaa ilman yksilösuojaongelmia.

– Tämä mahdollistaa ensimmäistä kertaa todellisen big data -tyyppisen kehityksen vauvojen liikeanalytiikan parantamiseksi, Vanhatalo toteaa.

– Olemme parhaillaan kehittämässä isomman aineiston ja 3D-videoiden avulla tekoälypohjaista algoritmia, joka antaa kypsyysarvion lapsen liikemalleista. Jos analyysin tuottama liikemalli-ikä ei vastaa lapsen todellista ikää, lapsen kehityksessä on jotain poikkeavaa. 

Pose estimation- menetelmällä tuotettu tikku-ukkovideo. Liikkeiden kvantitatiivinen analyysi onnistuu suoraan laskemalla tikku-ukon eri osien liikkeitä

Liikeanalyysilla tietoa kehityspoikkeamista ja kuntoutuksen tehosta

Automatisoidulla liikeanalyysimenetelmällä on paljon sovellusmahdollisuuksia. CP-vammojen varhaisdiagnostiikan lisäksi menetelmää voi käyttää laajemminkin lasten kehityksen arvioinnissa.

– Voisimme luoda eräänlaisen lapsen funktionaalisen ’kasvukäyrän’, Vanhatalo sanoo.

Kuntoutuksen puolella automatisoitua liikeanalyysia voitaisiin soveltaa monella eri tavalla. Menetelmän avulla voitaisiin muun muassa arvioida objektiivisesti erilaisten kuntoutusmenetelmien vaikuttavuutta, mikä tällä hetkellä on yksi lääketieteen kuumista kysymyksistä. Automatisoidun liikeanalyysin avulla pystyttäisiin myös perusterveydenhuollossa nykyistä paremmin tunnistamaan ne lapset, joilla on erikoissairaanhoitoa vaativia kehityshäiriöitä.

– Hyödyntämällä koneoppimista ja tekoälyä pystymme tuottamaan huomattavan paljon kliinisesti merkittävää tietoa yksinkertaisen videokuvauksen pohjalta. Samalla voimme tuottaa menetelmiä jotka mahdollistavat korkeatasoisen ja tasalaatuisen terveydenhoidon viemisen ympäri maailmaa, Vanhatalo tiivistää.

Mukana tutkimuksessa olivat Helsingin yliopiston ja HUSin lisäksi Pisan yliopisto, Scuola Superiore San’Anna ja IRCCS Stella Maris Foundation Pisasta, Istituto Superiore di Sanità Roomasta ja Neuro Event Labs Oy Tampereelta. Tutkimusta tuki Arvo ja Lea Ylppö-säätiö, Lastentautien tutkimussäätiö ja Suomen Akatemia.

Lisätietoja:

Professori Sampsa Vanhatalo, Helsingin yliopisto ja HUS
Puh. 050 528 6119
Sähköposti: sampsa.vanhatalo@helsinki.fi
www.babacenter.fi

Viite: Viviana Marchi, Anna Hakala, Andrew Knight, Federica D’Acunto, Maria Luisa Scattoni, Andrea Guzzetta, Sampsa Vanhatalo: Automated pose estimation captures key aspects of General Movements at 8‐17 weeks from conventional videos. Acta Pediatrica. DOI doi.org/10.1111/apa.14781