การตรวจคัดกรองมะเร็งปากมดลูกโดยเน้นที่การเคลื่อนไหวของนิ้วโดยใช้เซ็นเซอร์แบบไม่สัมผัส

Cervical myelopathy (CM) (1)เป็นผลมาจากการกดทับไขสันหลังที่คอ และทำให้เคลื่อนไหวนิ้วลำบากและเดินไม่มั่นคง เนื่องจากผู้ป่วยโรค CM ในระยะเริ่มต้นมีอาการทางจิตเพียงเล็กน้อย และยากสำหรับผู้ที่ไม่ใช่ผู้เชี่ยวชาญในการวินิจฉัยอย่างถูกต้อง อาการอาจรุนแรงขึ้นก่อนที่ผู้ป่วยจะได้รับการวินิจฉัยโรค CM โดยผู้เชี่ยวชาญ ดังนั้นจึงจำเป็นต้องมีการพัฒนาเครื่องมือคัดกรองเพื่อให้ทราบการวินิจฉัยและการรักษา CM ได้ตั้งแต่เนิ่นๆ ทีมวิจัยนำโดยดร. Koji Fujita อาจารย์ประจำมหาวิทยาลัยการแพทย์และทันตกรรมโตเกียว และ Yuta Sugiura รองศาสตราจารย์มหาวิทยาลัย Keio ได้รวมเทคนิคการวิเคราะห์การเคลื่อนไหวของนิ้วโดยใช้เซ็นเซอร์แบบไม่สัมผัสและการเรียนรู้ของเครื่อง(2)เพื่อพัฒนาเครื่องมือคัดกรองอย่างง่ายสำหรับ CM ปากมดลูก ในการศึกษานี้ ทีมงานมุ่งเน้นไปที่การเปลี่ยนแปลงการเคลื่อนไหวของนิ้วที่เกิดจาก CM ในการทดสอบการจับและปล่อยเป็นเวลา 10 วินาที ซึ่งเป็นการทดสอบการวินิจฉัยทั่วไปสำหรับ CM ผู้ทดลองจะจับและปล่อยซ้ำหลายครั้งมากที่สุดเท่าที่จะเป็นไปได้ใน 10 วินาที การทดสอบจะวัดจำนวนครั้งของการจับและปล่อยเท่านั้น และไม่เน้นการเปลี่ยนแปลงลักษณะการเคลื่อนไหวของนิ้วในผู้ป่วย CM เช่น การเคลื่อนไหวของข้อมือเพื่อชดเชยความยากลำบากในการขยับนิ้ว Leap Motion (Ultraleap Ltd.) เซ็นเซอร์ที่สามารถวัดการเคลื่อนไหวของนิ้วแบบเรียลไทม์ สามารถใช้เพื่อแยกการเคลื่อนไหวดังกล่าวได้อย่างแม่นยำยิ่งขึ้น นักวิจัยคาดว่า CM สามารถคาดการณ์ได้โดยใช้การเรียนรู้ของเครื่องร่วมกับเซ็นเซอร์ Leap Motion วัตถุที่นั่งอยู่หน้า Leap Motion ที่เชื่อมต่อกับคอมพิวเตอร์แล็ปท็อปโดยกางแขนออกได้รับคำสั่งให้จับและปล่อยนิ้ว 20 ครั้งโดยเร็วที่สุด การเคลื่อนไหวของนิ้วในระหว่างการทดสอบนี้ถูกจับโดยเซ็นเซอร์ Leap Motion แสดงบนหน้าจอแบบเรียลไทม์และบันทึกเป็นข้อมูล พวกเขาคัดเลือกผู้ป่วย 50 รายที่มี CM และ 28 คนที่ไม่มี CM ข้อมูลอนุกรมเวลาเกี่ยวกับการเคลื่อนไหวของนิ้วที่ได้มาจาก Leap Motion จะถูกแปลงเป็นโดเมนความถี่ ซึ่งอยู่ภายใต้การเรียนรู้ของเครื่องโดยใช้เครื่องเวกเตอร์สนับสนุน ในที่สุด ความแม่นยำของผลลัพธ์ก็สูงตามที่ระบุโดยความไว พวกเขาคัดเลือกผู้ป่วย 50 รายที่มี CM และ 28 คนที่ไม่มี CM ข้อมูลอนุกรมเวลาเกี่ยวกับการเคลื่อนไหวของนิ้วที่ได้มาจาก Leap Motion จะถูกแปลงเป็นโดเมนความถี่ ซึ่งอยู่ภายใต้การเรียนรู้ของเครื่องโดยใช้เครื่องเวกเตอร์สนับสนุน ในที่สุด ความแม่นยำของผลลัพธ์ก็สูงตามที่ระบุโดยความไว พวกเขาคัดเลือกผู้ป่วย 50 รายที่มี CM และ 28 คนที่ไม่มี CM ข้อมูลอนุกรมเวลาเกี่ยวกับการเคลื่อนไหวของนิ้วที่ได้มาจาก Leap Motion จะถูกแปลงเป็นโดเมนความถี่ ซึ่งอยู่ภายใต้การเรียนรู้ของเครื่องโดยใช้เครื่องเวกเตอร์สนับสนุน ในที่สุด ความแม่นยำของผลลัพธ์ก็สูงตามที่ระบุโดยความไว(3) 84.0% ความจำเพาะ(4) 60.7% และพื้นที่ใต้เส้นโค้ง(5) 0.85 ความแม่นยำระดับนี้เทียบเท่าหรือเหนือกว่าการวินิจฉัย CM โดยผู้เชี่ยวชาญตามการค้นพบทางกายภาพ