摘要：AI驱动的算法可以分析临床睡眠测试的视频记录，并更准确地诊断REM睡眠行为障碍。...

由西奈山领导的研究人员团队增强了人工智能（AI）能力的算法，以分析临床睡眠测试的视频记录，最终改善了对影响全球超过8000万人的常见睡眠障碍的准确诊断。研究结果发表在杂志上神经病学纪事1月9日。

REM睡眠行为障碍（RBD）是在睡眠快速运动（REM）阶段引起异常运动或实现梦想的异常行为的睡眠状况。在其他健康成年人中发生的RBD称为“孤立” RBD。它影响了美国超过一百万的人，几乎在所有情况下，它都是帕金森氏病或痴呆症的早期迹象。

RBD很难诊断，因为其症状可能会引起注意或与其他疾病混淆。确定的诊断需要一项睡眠研究，称为视频 - 伴随性诊断，由一家具有睡眠监测技术设施的医疗专业人员进行。数据也是主观的，很难基于多个和复杂的变量（包括睡眠阶段和肌肉活动量）普遍解释。尽管在睡眠测试中系统地记录了视频数据，但很少对其进行审查，并且在解释测试后经常被丢弃。

以前在这一领域的工作有限表明，可能需要研究级3D摄像机来检测睡眠期间的运动，因为床单或毛毯会涵盖活动。这项研究是第一个概述自动化机器学习方法开发的研究，该方法在过夜睡眠测试期间通常用2D摄像头分析视频记录。该方法还定义了其他“分类器”或运动的特征，从而产生了近92％的RBD的准确率。

“在解释睡眠测试期间，可以将这种自动化方法纳入临床工作流程中，以增强和促进诊断，并避免诊断。” “该方法还可以根据睡眠测试期间显示的运动的严重程度来为治疗决策提供信息，并最终帮助医生个性化患者的护理计划。”

西奈山（Mount Sinai）团队复制并扩展了一项建议，以对奥地利医科大学研究人员创建的睡眠研究中的机器学习分析进行自动化的机器学习分析。这种方法使用计算机视觉，这是一个人工智能领域，允许计算机分析和理解包括图像和视频在内的视觉数据。在此框架的基础上，西奈山专家使用了在临床睡眠实验室常规发现的2D摄像机，以监视患者沉夜。该数据集包括对大约80名RBD患者的睡眠中心的记录分析和约90名没有RBD患者的对照组，该患者患有另一种睡眠障碍或没有睡眠破坏。一种计算视频中连续帧之间像素运动的自动化算法能够在REM睡眠期间检测运动。专家审查了数据以提取运动的速率，比率，幅度和速度以及不动性比率。他们分析了短期运动的这五个功能，以达到迄今为止研究人员的最高准确性，占92％。

瑞士洛桑（ÉcolePolytechniquefédéraledeLausanne）的瑞士联邦技术学院的研究人员，瑞士洛桑（Lausanne），通过分享其计算机视觉方面的专业知识，为这项研究做出了贡献。