Stellen Sie sich eine Welt vor, in der ein Arzt einem Kind, das einen Flur entlangläuft, sofort ansehen kann, ob sich seine Muskeln genau richtig bewegen oder ob etwas Subtiles nicht stimmt. Das ist keine Magie; es ist die Schnittstelle zwischen Computer Vision (dem Lehren von Computern, Bilder zu „sehen“ und zu verstehen) und der Pädiatrie (der medizinischen Versorgung von Kindern). Lange Zeit haben sich Ärzte darauf verlassen, ihre eigenen Augen einzusetzen, um winzige Unterschiede im Gang eines Kindes zu erkennen, ein Prozess, der als Ganganalyse bezeichnet wird. Während dies für erfahrene Ärzte gut funktioniert, ist es schwierig, einem Computer dasselbe beizubringen, da Kinder nicht einfach nur „kleine Erwachsene“ sind. Ihre Körper wachsen noch, ihre Bewegungen sind wackelig und unvorhersehbar, und sie gehen nicht mit dem perfekten Rhythmus eines Erwachsenen. Dies macht es unglaublich schwierig für die Standard-KI, die normalerweise auf das stetige Gehen von Erwachsenen trainiert ist, die winzigen Hinweise zu erkennen, die auf ein Gesundheitsproblem hindeuten.

Dies ist die Geschichte der 1st AI Children Challenge, eines hochkarätigen Wettbewerbs, bei dem Informatiker und Ärzte zusammenarbeiteten, um dieses Rätsel zu lösen. Die Arbeit beschreibt, wie sie eine massive neue „Bibliothek“ aus Videodaten erstellten, die Tausende von laufenden Kindern umfasst, die von Kleinkindern bis hin zu Teenagern reichen. Sie forderten die besten KI-Teams der Welt heraus, Modelle zu entwickeln, die wie Expertenärzte agieren können, indem sie diese Videos analysieren, um spezifische Gangmuster zu erkennen, die mit Zerebralparese in Verbindung stehen – einer Erkrankung, die die Muskelbewegung beeinflusst. Das Ziel war nicht nur zu sagen: „Dieses Kind läuft komisch“, sondern exakt zu bewerten, wie es geht und die spezifische Art der Schwierigkeit zu klassifizieren, und das alles allein aus einem einfachen Video. Die Arbeit zeigt, dass dies zwar eine schwierige Aufgabe ist, der neue Datensatz und der Wettbewerb jedoch einige sehr kluge Lösungen angestoßen haben, die uns näher an die Hilfe für Ärzte bringen, damit diese Kinder schneller und genauer diagnostizieren können.

Die große Herausforderung: KI beibringen, Kindern beim Gehen zuzusehen

Die Autoren dieser Arbeit wollten eine Lücke schließen zwischen dem, was menschliche Ärzte sehen können, und dem, was Computer verstehen können. Sie erkannten, dass bestehende KI-Tools wie Studenten sind, die nur aus Erwachsenen-Lehrbüchern gelernt haben; sie scheitern, wenn sie versuchen, ein Kind zu analysieren, weil Kinder sich anders bewegen. Um dies zu beheben, entwickelte das Team den Children Gait Pose Sequence (CGPS) Datensatz. Betrachten Sie diesen Datensatz als ein riesiges, super detailliertes Trainingshandbuch für die KI. Er enthält über 1.100 Videos von laufenden Kindern, die mit 60 Bildern pro Sekunde aufgenommen wurden (was so ist, als würde man jede Sekunde 60 Schnappschüsse machen). Diese Videos erfassen 110 verschiedene Patienten im Alter zwischen 2,6 und 16,6 Jahren, die vor Kameras laufen, die so aufgestellt sind, dass sie sie von der Seite und von vorne sehen können.

Aber ein Video allein reicht nicht aus. Die wahre Magie dieses Datensatzes sind die „Annotationen“ – die Beschriftungen, die der KI sagen, worauf sie achten soll. Menschliche Experten, darunter Ärzte mit jahrzehntelanger Erfahrung, gingen diese Videos durch und markierten spezifische Punkte am Körper der Kinder (wie Knie, Hüften und Knöchel), um ein Skelett der Bewegung zu erstellen. Sie bewerteten dann 34 verschiedene winzige Details des Ganges, wie zum Beispiel „wie hoch die Ferse abhebt“ oder „wie stark das Knie gebeugt ist“. Sie identifizierten auch vier spezifische Arten, wie Kinder mit einer Form der Zerebralparese namens „bilateraler spastischer CP“ gehen könnten, und gaben ihnen Namen wie „Jump Gait“ (bei dem das Kind wie beim Hüpfen aussieht) oder „Crouch Gait“ (bei dem das Kind mit gebeugten Knien geht).

Die zwei Spuren des Wettbewerbs

Der Wettbewerb wurde in zwei unterschiedliche Missionen, oder „Tracks“, unterteilt, die die Teilnehmer bewältigen mussten.

Track 1: Der Punktezähler
Die erste Mission bestand darin, wie ein strenger Schiedsrichter zu agieren. Die KI musste den Gang eines Kindes betrachten und eine Punktzahl für 3 So unterschiedliche Teile seiner Bewegung vergeben. Dies basiert auf einem klinischen Instrument namens Edinburgh Visual Gait Score (EVGS). Stellen Sie sich einen Lehrer vor, der die Handschrift eines Schülers bewertet; die KI musste entscheiden, ob eine bestimmte Bewegung „normal“ oder „atypisch“ war. Die Arbeit stellt fest, dass dies schwierig ist, da die Unterschiede oft sehr gering sind. Das Team musste vorhersagen, ob das Abheben der Ferse eines Kindes normal war oder nicht, oder ob das Knie zu stark gebeugt war. Das Ziel war es, die Punktzahl so nah wie möglich an das zu bringen, was ein echter Arzt aufschreiben würde.

Track 2: Der Detektiv
Die zweite Mission war ein Klassifizierungsspiel. Hier musste die KI ein Kind mit bilateraler spastischer Zerebralparese betrachten und herausfinden, zu welchem der vier spezifischen Gangmuster es gehört. Es ist, als würde man eine Gruppe von Menschen betrachten und versuchen zu erraten, wer einen roten Hut trägt, wer einen blauen Hut trägt und so weiter, aber die „Hüte“ sind unsichtbare Gangstile. Die KI musste die subtilen, pathologischen Unterschiede erkennen, die einen „True Equinus“-Gang von einem „Jump Gait“ unterscheiden. Dies war besonders schwierig, da der Datensatz sehr wenige Beispiele für einige dieser seltenen Muster enthielt, was es für die KI leicht machte, verwirrt zu werden.

Wie sie den Erfolg maßen

Die Organisatoren ließen die Teams nicht einfach nur raten; sie richteten eine strenge Testumgebung ein. Sie teilten die Daten so auf, dass die KI mit einigen Videos lernen und mit anderen, die sie noch nie gesehen hatte, getestet werden konnte. Um sicherzustellen, dass die Ergebnisse fair waren, nutzten sie zwei Hauptwege, um die Teams zu bewerten:

1. Genauigkeit: Wie oft bekam die KI die richtige Antwort?
2. Fehlermessung: Für den Scoring-Track maßen sie, wie weit die Punktzahl der KI von der Punktzahl des Arztes abwich.

Sie führten auch eine „Post-Evaluation“-Phase ein. Nachdem der Wettbewerb beendet war, mussten die Top-Teams ihren Code teilen. Die Organisatoren ließen den Code dann selbst auf einem Standardcomputer laufen, um die Ergebnisse zu überprüfen. Dies diente dazu, sicherzustellen, dass die Ergebnisse keines Teams nur ein Zufallsprodukt oder ein bloßer Glückstreffer waren.

Die Ergebnisse: Was die KI fand

Der Wettbewerb zog 57 Teams aus der ganzen Welt an. Die Ergebnisse zeigten, dass die KI zwar noch nicht perfekt einen menschlichen Arzt imitiert, aber signifikante Fortschritte gemacht hat.

• Für den Scoring-Track (Track 1): Das Gewinnerteam, CCE, nutzte eine geschickte Mischung aus vortrainierten KI-Modellen (die wie allgemeine Wissensdatenbanken funktionieren) und spezifischen Regeln, die von Ärzten entworfen wurden. Sie schafften es, die Punktzahlen mit hoher Genauigkeit vorherzusagen. Ein weiteres Top-Team, Btaji Crew, konzentrierte sich darauf, spezifische „biomechanische“ Details zu extrahieren, wie zum Beispiel den exakten Winkel eines Gelenks, bevor sie ihre Vermutung anstellten. Die Arbeit legt nahe, dass der beste Ansatz nicht nur die Verwendung eines einzigen großen KI-Modells war, sondern die Kombination verschiedener Methoden – etwa die Nutzung eines „Hybrid“-Ansatzes, bei dem maschinelles Lernen neben strengen medizinischen Regeln arbeitet.
• Für den Klassifizierungs-Track (Track-2): Das Gewinnerteam, seantangth, nutzte eine Methode namens XGBoost (einen leistungsstarken Typ von Entscheidungsalgorithmus), passte diese jedoch so an, dass sie spezifischen medizinischen Regeln über die Beziehung zwischen linkem und rechtem Bein folgte. Sie fanden heraus, dass es nicht ausreichte, die KI einfach nur raten zu lassen; man musste die KI dazu zwingen, die Symmetrie des menschlichen Körpers zu respektieren.

Die Arbeit hebt hervor, dass alle Top-Teams Strategien anwandten, um mit der Tatsache umzugehen, dass es nur sehr wenige Beispiele für die seltenen Gangmuster gab. Sie nutzten Techniken wie „Cross-Track-Signale“, bei denen die KI die Ergebnisse aus dem Scoring-Track nutzte, um ihr bei der Klassifizierung im zweiten Track bessere Vermutungen anzustellen. Es ist wie die Nutzung der Note eines Mathetests, um die Antwort auf eine Geschichtskfrage zu erraten, weil die beiden Fächer miteinander verwandt sind.

Was dies für die Zukunft bedeutet

Die Arbeit kommt zu dem Schluss, dass diese Herausforderung ein großer Schritt nach vorn war. Sie bewies, dass die KI mit den richtigen Daten und der richtigen Anleitung von Ärzten beginnen kann, die komplexe, chaotische und wunderbare Art und Weise zu verstehen, wie Kinder sich bewegen. Die Autoren schlagen vor, dass zukünftige Arbeiten darauf abzielen sollten, diese Modelle noch besser im Umgang mit verschiedenen Kameras und unterschiedlichen Körperformen zu machen. Sie merken auch an, dass der nächste große Schritt darin besteht, zu sehen, ob diese Werkzeuge Ärzten helfen können, Kinder in echten Krankenhäusern schneller zu diagnostizieren.

Die Arbeit ist jedoch vorsichtig damit, zu behaupten, dass das Problem „gelöst“ sei. Die Ergebnisse zeigen, dass die KI zwar gut wird, aber immer noch Schwierigkeiten mit den subtilsten und seltensten Fällen hat. Die Autoren betonen, dass der wahre Wert dieser Herausforderung nicht nur in den Gewinn-Algorithmen liegt, sondern in der Schaffung eines gemeinsamen Datensatzes und einer Gemeinschaft von Forschern, die zusammenarbeiten, um die Kindergesundheit zu verbessern. Der Wettbewerb zeigte, dass wir, wenn Computer Vision auf medizinische Expertise trifft, Werkzeuge bauen können, die jedem Kind helfen, ein Stück leichter zu laufen.