במחקר שפורסם לאחרונה בכתב העת אינפורמטיקהחוקרים חקרו את השימוש בשיטות למידת מכונה מתקדמות כדי לזהות הבעות פנים כאינדיקטורים להידרדרות בריאותית של חולים.
הממצאים שלהם מצביעים על כך שהמודל Convolutional Long- Short-Term Memory (ConvLSTM) שפותח יכול לחזות במדויק סיכונים בריאותיים עם דיוק מרשים של 99.89%, מה שעשוי לשפר את הגילוי המוקדם ולשפר את תוצאות המטופלים במסגרות בית חולים.
מחקר: מערכת אזהרה מוקדמת חזותית מבוססת בינה מלאכותית
רֶקַע
הבעות פנים הן חיוניות לתקשורת אנושית, העברת רגשות ורמזים לא מילוליים על פני תרבויות שונות. צ'ארלס דרווין חקר לראשונה את הרעיון שתנועות פנים חושפות רגשות, ובהמשך מחקר של אקמן ואחרים זיהו הבעות פנים אוניברסליות הקשורות לרגשות ספציפיים.
מערכת קידוד פעולת הפנים (FACS), שפותחה על ידי אקמן ופריזן, הפכה לכלי חיוני בחקר הבעות אלו על ידי ניתוח תנועות השרירים המעורבות. עם הזמן, המחקר של זיהוי הבעות פנים (FER) התרחב לתחומים כמו פסיכולוגיה, ראייה ממוחשבת ושירותי בריאות.
מודלים ומסדי נתונים שונים נוצרו כדי לשפר את הזיהוי האוטומטי של הבעות פנים, במיוחד במסגרות קליניות. ההתקדמות האחרונה כוללת את השימוש ברשתות עצביות קונבולוציוניות (CNNs) ובטכניקות אחרות של למידת מכונה כדי לזהות הבעות פנים ולחזות מצבים בריאותיים.
התפתחויות אלו חשובות במיוחד בתחום הבריאות, שם הכרה מדויקת של רגשות כמו כאב, עצב ופחד יכולה לעזור בזיהוי מוקדם של הידרדרות המטופל, שיפור הטיפול והתוצאות.
לגבי המחקר
המחקר השתמש במתודולוגיה שיטתית לפיתוח והערכת מודל Convolutional Long Short-Term Memory (ConvLSTM) לזיהוי הבעות פנים, במיוחד אלה המצביעות על הידרדרות המטופל. התהליך כלל שלושה שלבים מרכזיים: הפקת מערך הנתונים, עיבוד מוקדם של הנתונים והטמעת מודל ConvLSTM.
ראשית, מערך נתונים של אווטרים מונפשים תלת מימדיים המציגים הבעות פנים שונות נוצר באמצעות כלים מתקדמים. אווטרים אלו תוכננו לחקות את פניהם של בני אדם אמיתיים עם מאפיינים מגוונים כמו גיל, מוצא אתני ותווי פנים.
כל אווטאר ביצע ביטויים ספציפיים הקשורים להידרדרות בריאותית, והביאו ל-125 קטעי וידאו. לאחר מכן נעשה שימוש במודל התנועה הראשון (FOMM) להעברת ביטויים אלה לתמונות סטטיות ממסד נתונים של קוד פתוח, והרחיב את מערך הנתונים ל-176 קטעי וידאו.
אזורי הבעות פנים החושפים אם המטופל נמצא בהידרדרות או לא. (א) האווטאר השמאלי מבטא ביטוי ניטרלי, התחום על ידי המלבנים הכחולים. (ב) האווטאר הימני חושף את מצב ההידרדרות בשלב הסופי, התחום על ידי המלבנים האדומים.
לאחר מכן, מערך הנתונים עבר עיבוד מקדים קפדני, שכלל זיהוי פנים כדי לבודד ולהתמקד באזורי הפנים. מערך הנתונים פוצל לאימון (85%), וערכות מבחן (15%) וטכניקות דגימת יתר יושמו כדי לאזן את נתוני האימון.
לבסוף, מודל ConvLSTM, המשלב שכבות קונבולוציוניות עם תאי LSTM, הוצע ויושם כדי ללכוד תלות מרחבית וזמנית ברצפי הווידאו, מה שמאפשר חיזוי מדויק של הבעות פנים לאורך זמן.
מסגרות של דגימת וידאו לאחר שימוש ב-FOMM להעברת הבעות פנים מאווטרים לתמונות פנים אמיתיות.
ממצאים
המחקר הציג מודל שנועד לזהות הבעות פנים ספציפיות הקשורות להידרדרות המטופל. מודל זה הוכשר ונבדק על מערך נתונים שנוצר מאוואטרים, אשר דימה חמישה שיעורי הבעות פנים. ביטויים אלה נוצרו כדי לייצג מגוון מגוון של ציוני דרך, גווני עור ומוצא אתני, תוך חיקוי של חולים בסיכון לירידה קלינית.
ביצועי המודל הוערכו באמצעות מספר מדדי מפתח. הוא השיג דיוק גבוה (99.8%), דיוק (99.8%) וזיכרונות (99.8%), מה שמוכיח את יעילות המודל בזיהוי נכון של הבעות הפנים הרלוונטיות.
הדיוק מודד באיזו תדירות המודל מנבא נכון ביטויים, בעוד שהדיוק וההיזכרות מתמקדים ביכולת של המודל לזהות נכון ביטויים חיוביים ללא אזעקות שווא.
מודל ConvLSTM הוכיח עדיף על שיטות אחרות שהיו בשימוש גם כן. הוא הצטיין בזיהוי דפוסים בהבעות פנים לאורך זמן, דבר חיוני להערכת מצבי המטופל בצורה מדויקת.
ניתוח נוסף כלל שימוש במטריצת בלבול ובעקומות מאפיין תפעול מקלט (ROC) כדי להעריך את ביצועי המודל, במיוחד בטיפול במערכי נתונים לא מאוזנים. המודל נבדק גם על נתונים בלתי נראים, והראה דיוק עקבי על פני סוגים שונים של ביטויים.
תוצאות אלו מצביעות על כך שמודל ConvLSTM יעיל מאוד בניבוי ההידרדרות של מטופלים בהתבסס על הבעות הפנים שלהם, אם כי המחברים מכירים בצורך במחקרים עתידיים הכוללים נתונים אמיתיים של מטופלים כדי לאמת ממצאים אלה בתרחישים מעשיים.
מסקנות
המחקר פיתח מודל מבוסס למידה עמוקה תוך שימוש בארכיטקטורת ConvLSTM כדי לזהות הבעות פנים המעידות על הידרדרות המטופל, תוך השגת דיוק גבוה של 99.89%.
המודל אומן על מערך נתונים סינתטי המייצג חמש הבעות פנים ספציפיות הקשורות לסיכון להידרדרות. המערכת הראתה תוצאות מבטיחות, והדגישה את הפוטנציאל של שימוש בטכניקות מתקדמות של ראייה ממוחשבת ולמידת מכונה לזיהוי מוקדם של ירידה במטופל.
עם זאת, מגבלה משמעותית של המחקר היא ההסתמכות על נתונים סינתטיים במקום נתוני מטופלים מהחיים האמיתיים. חששות אתיים מנעו איסוף של נתוני חולים בפועל, במיוחד מיחידות טיפול נמרץ וטיפול נמרץ.
חוקרים סיכמו בהדגשת הצורך בעבודה עתידית הכוללת נתונים מהעולם האמיתי כדי לאמת עוד יותר את המודל ולשלבו עם מערכות הערכה רפואיות אחרות כדי לשפר את תוצאות המטופל.
