基于运动学数据与深度学习的前庭神经鞘瘤患者单侧前庭功能丧失检测新方法

《Scientific Reports》：A deep learning pipeline for detecting vestibular schwannoma patients with unilateral vestibular loss based on kinematic data

　　本研究针对前庭神经鞘瘤（VS）患者早期平衡功能障碍难以通过传统临床评估（如功能性步态评估FGA）识别的问题，开发了一种基于惯性测量单元（IMU）和卷积神经网络（CNN）的深度学习流程。通过分析32名VS患者和32名健康对照者在两种步态任务（水平地面行走和间歇性闭眼行走）中的运动学数据，研究发现腕部传感器数据分类效果最佳（准确率最高达0.74），且模型在临床评分无差异情况下仍能检测到代偿性运动模式。该研究为前庭障碍的早期数字化生物标志物开发提供了传感器部署、数据集设计和模型训练的重要实践指导。

　　

当你走在一段平坦的路上，是否曾想过，简单的行走动作背后隐藏着人体精密的平衡控制系统？对于前庭神经鞘瘤（Vestibular Schwannoma, VS）患者来说，这种日常活动却可能充满挑战。VS是一种起源于第八对脑神经的良性肿瘤，约占颅内肿瘤的6-7%，常导致听力下降、耳鸣、眩晕以及平衡功能受损。这些患者即使在看似简单的行走任务中，也可能表现出细微的运动异常，但传统的临床评估工具如功能性步态评估（Functional Gait Assessment, FGA）采用主观评分（0-3分整数尺度），往往难以捕捉这些早期代偿模式。

更令人担忧的是，许多患者在手术前已经出现前庭功能受损，但临床评分却显示“正常”。这种评估盲区可能导致错失早期干预机会。目前临床依赖的FGA虽然包含10项任务，但其主观性和粗粒度评分限制了检测灵敏度。特别是在术前监测期，患者的前庭输入已受损但尚未完全丧失，此时若能识别细微运动适应，对诊断、治疗规划和康复指导都具有重要意义。

针对这一临床挑战，由Kathleen E. Cullen教授领导的跨学科团队在《Scientific Reports》上发表了一项创新研究。他们开发了一种基于深度学习的方法，利用佩戴在身体多个部位的惯性测量单元（Inertial Measurement Unit, IMU）采集的运动学数据，来区分VS患者与健康对照者。这项研究的独特之处在于，所有患者数据均在手术前收集，为捕捉永久性前庭功能丧失前的早期运动适应提供了宝贵机会。

研究人员招募了32名单侧VS患者和32名年龄匹配的健康对照者。每位参与者完成了两项步态任务：FGA中的水平地面行走（<10秒）和30秒的间歇性闭眼行走（每两步闭眼、一步睁眼）。通过安装在腕部、踝部、腰部、背部和头部的六个IMU传感器，研究人员收集了三维线性加速度和角速度数据。这些数据被分割为单个步态周期，并重采样为512个时间点，形成6×512的输入矩阵。

关键技术方法包括：使用六轴IMU传感器（采样率500 Hz）采集全身运动学数据；基于右踝传感器俯仰角速度信号进行步态分割；构建专用于时间序列分析的卷积神经网络（CNN），包含并行的一维卷积分支和全连接分类层；采用留一法交叉验证（LOOCV）确保模型泛化能力；通过迁移学习策略（使用KU-HAR公共数据集和内部SCDS/共济失调数据集）优化模型性能。

模型性能跨越任务与传感器

研究发现，深度学习模型在两项步态任务中均能有效区分VS患者与健康对照者。在水平地面行走任务中，模型最高准确率达到0.701（使用腕部传感器数据），而在更长的间歇性闭眼行走任务中，性能进一步提升至0.712。值得注意的是，尽管两组患者在FGA临床评分上无显著差异（平均分均为2.81），模型仍能检测到细微的运动学差异，这表明深度学习对早期代偿策略具有更高灵敏度。

传感器位置强烈影响模型性能：腕部传感器领先

在所有测试的传感器位置中，腕部传感器 consistently 产生最高分类准确率。在水平地面行走任务中，腕部传感器平均准确率为0.701，显著高于所有传感器平均值（0.606）。在扩展步态任务中，腕部传感器性能同样领先（0.712 vs. 0.641平均）。相比之下，传统上更受关注的头部位传感器性能相对较弱，这可能是因为尽管患者常限制头部运动，但运动减少本身提供的判别信息有限。

疾病特异性与健康数据预训练的不同结果

迁移学习实验揭示了关键洞见：使用疾病特异性数据集（SCDS/共济失调）预训练显著提升模型性能（平均准确率提高0.064-0.1），而使用仅包含健康个体的KU-HAR数据集预训练则收效甚微甚至产生负面影响。这表明预训练数据集的病理相关性比其规模大小对模型性能影响更大。特别是当预训练数据集与目标任务具有相似的采集条件和病理特征时，迁移学习效果最佳。

招募更多受试者比延长个体记录更能改善分类

通过系统操纵数据集组成，研究发现模型性能受试者数量的影响远大于每个受试者的样本数量。将受试者数量减少至25%导致准确率下降0.062-0.084，而将每个受试者的样本数量减少至25%仅引起0.012-0.043的下降。这一发现为未来研究设计提供了重要指导：增加参与者多样性比延长单个受试者的记录时间更能提升模型鲁棒性。

这项研究的重要意义在于开发了一种敏感度高于传统临床评估的客观评估工具。通过证明腕部传感器在检测前庭功能障碍方面的卓越性能，为临床部署提供了实用且用户友好的解决方案。研究结果支持将“预康复”（prehabilitation）概念引入VS管理，即在手术前通过基于传感器的连续监测及早识别异常运动模式，为个性化干预提供依据。此外，关于数据集设计的发现（重视受试者多样性优于个体数据量）为临床机器学习研究提供了方法论指导。

尽管当前模型性能（约70%准确率）可能尚未达到直接临床应用标准，但这项研究为前庭障碍的数字化评估开辟了新途径。未来工作可探索多传感器融合策略、结合可解释人工智能技术识别关键运动学特征，以及将模型扩展到更广泛的FGA任务和纵向监测场景。随着技术不断完善，这种基于穿戴式传感器和深度学习的方法有望成为前庭功能障碍早期检测、进展监测和康复评估的有力工具。