人工智能技术已被开发用于通过分析临床睡眠测试的视频记录来改善快速眼动睡眠行为障碍的诊断。
来自西奈山的研究团队改进了一种基于人工智能（AI）的算法，该算法能够分析临床睡眠测试的视频素材。这一进展提高了对一种影响全球超过8000万人的广泛睡眠障碍的诊断精度。研究结果于1月9日发表在《神经病学年鉴》期刊上。
快速眼动睡眠行为障碍（RBD）是一种以在快速眼动睡眠阶段出现异常动作或梦想表现为特征的状态。当这种障碍出现在其他健康成年人身上时，被称为“孤立性”RBD。在美国，超过一百万人患有RBD，这通常预示着帕金森病或痴呆的早期出现。
诊断RBD相当具有挑战性，因为其症状可能被忽视或与其他医疗病症混淆。确诊需要进行睡眠研究，即由经过培训的医疗专业人员在配备睡眠监测技术的设施中进行的视频多导睡眠图（视频-polysomnogram）。数据的解释可能是主观的且复杂，因为涉及各种因素，包括睡眠阶段和肌肉活动水平。虽然在睡眠测试期间始终记录视频数据，但在初步分析后很少被审查并经常被丢弃。
之前的研究表明，可能需要专门的3D摄像头来捕捉睡眠过程中的运动，因为床单或毯子可能会遮挡视线。这项最新研究是首个详细描述开发出一种自动化机器学习技术，能够分析在通用2D摄像头下进行的夜间睡眠研究中的常规视频记录。该新方法识别额外的“分类器”或运动特征，在检测RBD方面达到了近92%的准确率。
“这种自动化方法可以纳入临床流程，以提高睡眠测试评估的诊断准确性并减少漏诊，”通讯作者艾曼纽·杜林医学博士表示，他是西奈山伊坎医学院神经学（运动障碍）及医学（肺部、重症监护及睡眠医学）的副教授。“这种方法还可以根据睡眠研究中观察到的运动严重程度指导治疗选择，最终使医生能够为每位患者量身定制护理计划。”
西奈山团队受到奥地利因斯布鲁克医科大学研究人员之前提出的自动化机器学习分析睡眠运动的提议的启发。该方法使用计算机视觉，人工智能的一个分支，使计算机能够分析和理解图像和视频等视觉信息。基于这一框架，西奈山的专家使用临床睡眠实验室中常用的2D摄像机观察患者夜间睡眠。他们的数据集包括来自大约80名RBD患者的记录和约90名没有RBD的对照组，这些人要么有不同的睡眠障碍，要么没有睡眠问题。一个自动化算法计算了连续视频帧之间的像素运动，成功识别出在快速眼动睡眠期间发生的运动。研究人员随后评估数据，以确定运动的速率、比率、幅度、速度以及不动的比例。他们分析了这五个短暂运动特征，以实现前所未有的92%的诊断准确率。
洛桑联邦理工学院的专家通过分享他们在计算机视觉方面的知识为这一项目做出了贡献。
