研究人員利用 AI 影像辨識演算法，將影片中幼兒的影像運動型態自動轉化為如圖所示的「火柴人」（stick man）客觀生物記號，在這項同行評審的研究，此方法已用於辨識早期腦性麻痺（CP）。

AI「火柴人」揭示運動基本要素

腦性麻痺的辨識往往透過觀察嬰幼兒的動作及反應情況，極度依靠醫生的主觀視覺經驗，難免會誤診或效率低。

另外，目前進行嬰幼兒腦性麻痺辨識診斷的醫生，需要透過國際課程的專業知識培訓，這限制了有相關技能的醫生或治療師的數量。

「業界迫切需要客觀和自動化方法，允許醫生在更廣泛的範圍分析運動，並使世界上更多兒童可使用。」赫爾辛基大學臨床神經生理學教授 Sampsa Vanhatalo說。

本文所述研究利用稱為姿勢估計（pose estimation）的技術，建立能精確擷取兒童動作的方法，為根據兒童運動影片，構建簡化的「火柴人」棒形圖影片。

據了解，在這項研究中，研究人員選擇 2011~2017 年期間參加義大利 IRCCS Stella Maris 基金會研究的 21 名 8~17 週大嬰兒的存檔影片。其中 14 例呈典型低風險運動，7 例呈現非典型運動並後來診斷為腦性麻痺。

使用坦佩雷神經事件實驗室的姿勢估計模型，轉成「火柴人」影片後，研究人員向具轉基因專業知識的醫生提供「火柴人」影片，以檢視這些影片是否保留傳統腦性麻痺診斷重要的資訊。結果顯示，僅使用「火柴人」影片，幼兒的臨床基本資訊可被保留，醫生能把 95% 的病例分配為診斷組。

研究證明，自動演算法可從正常影片截取臨床重要的運動型態。這些棒圖影片可直接用於定量分析，辨識兒童腦性麻痺。

Vanhatalo 表示 ，在兒童腦性麻痺研究，個人隱私是業界瓶頸。「火柴人」研究的意義在於使用簡化影片且不涉及隱私，資料可於全球研究共用。

AI 運動分析應用於神經學

運動分析可以多種方式改善醫生對疾病的治療決策，為不同治療策略效果提供客觀的定量測量方法。

除早期腦性麻痺偵測外，AI 自動運動分析在評估嬰兒神經發育方面有許多潛在應用。

例如應用兒童健康管理，自動化運動分析可對兒童進行院外篩查，以辨識需要進一步護理的兒童，或在關注兒童發育的情況下確保大腦發育正常。

據了解，上述研究結果出來後，研究人員又進行另一項兒童研究。目前已收集包括 3D 影片等多種資料，正在開發基於 AI 的嬰兒運動成熟度評估法。

Vanhatalo 教授表示，新的研究理由很簡單：我們用人工智慧評估運動，未來兒童由於發育不成熟，表現出來與實際年齡不符的運動特徵，就會發現並及早干預治療。

「使用機器學習和人工智慧可從簡單的家庭影片擷取大量與臨床有用的資訊。最終目標是能在任何地方，影片都能高品質反映嬰兒情況。」Vanhatalo 總結。

報導截取自 TechNews ：https://technews.tw/2019/04/04/ar%C2%ADti%C2%ADfi%C2%ADcial-in%C2%ADtel%C2%ADli%C2%ADgence-iden%C2%ADti%C2%ADfies-key-pat%C2%ADterns-from-video-foot%C2%ADage-of-in%C2%ADfant-move%C2%ADments/