西奈山医院的研究人员开发了一种先进的AI算法，该算法可以分析睡眠测试的视频记录，实现了对快速眼动（REM）睡眠行为障碍（RBD）高达92%的诊断准确性。这项研究于2025年1月9日发表在《神经病学年报》上。
REM睡眠行为障碍（RBD）是一种在快速眼动（REM）睡眠阶段出现异常动作或梦中行为的状况。当RBD发生在健康成年人中时，被称为“孤立性”RBD，影响着美国超过一百万人。几乎所有的孤立性RBD病例都是帕金森病或痴呆症的早期指标。
AI助力睡眠障碍诊断
由西奈山医院领导的研究团队改进了一种用于分析临床睡眠测试视频记录的人工智能（AI）算法。这一进步显著提高了诊断常见睡眠障碍的准确性，这种睡眠障碍影响全球超过8000万人。
RBD诊断的挑战
RBD的诊断非常困难，因为其症状可能未被注意到或与其他疾病混淆。确诊需要在具备睡眠监测技术的设施中进行视频多导睡眠图（video-polysomnogram），由医疗专业人员执行。这些数据具有主观性，难以根据多个复杂变量（如睡眠阶段和肌肉活动量）进行统一解释。尽管睡眠测试期间系统地记录了视频数据，但通常在测试解读后会被丢弃而不审查。
之前的研究认为，研究级3D摄像机可能是检测睡眠期间活动所必需的，因为床单或毯子会覆盖活动。然而，这是首次提出一种自动化机器学习方法，该方法可以分析夜间睡眠测试中常规收集的2D摄像机视频记录。这种方法还定义了额外的“分类器”或运动特征，实现了检测RBD近92%的准确率。
临床整合与未来应用
“这种自动化方法可以在解读睡眠测试期间集成到临床工作流程中，以增强和促进诊断，避免漏诊，”该研究的通讯作者、西奈山医学院神经病学（运动障碍）和医学（肺科、重症监护和睡眠医学）副教授Emmanuel During博士表示。“这种方法还可以根据睡眠测试中显示的动作严重程度来指导治疗决策，最终帮助医生为每位患者制定个性化的护理计划。”
扩展AI在睡眠研究中的能力
西奈山团队复制并扩展了奥地利因斯布鲁克医科大学研究人员提出的自动机器学习分析睡眠研究期间运动的方法。这种方法利用计算机视觉，即一种使计算机能够分析和理解图像和视频等视觉数据的人工智能领域。
在此基础上，西奈山专家使用2D摄像机（通常在临床睡眠实验室中找到）监测患者整夜的睡眠情况。数据集包括对约80名RBD患者和一个约90名没有RBD的对照组（他们患有其他睡眠障碍或没有睡眠问题）的录像分析。一个自动算法计算了视频中连续帧之间的像素运动，从而检测到REM睡眠期间的运动。
专家们回顾了数据，提取了运动的频率、比率、幅度和速度以及静止比率。他们分析了这五个短运动特征，达到了迄今为止研究人员最高的92%的准确率。
参考文献：“使用计算机视觉自动检测孤立性REM睡眠行为障碍”，2025年1月9日，《神经病学年报》。
瑞士洛桑联邦理工学院（École Polytechnique Fédérale de Lausanne）的专家通过分享他们在计算机视觉方面的专业知识，为该研究做出了贡献。
(全文结束)
