Foundation model for gait kinetics estimation across neurological and developmental cohorts from flexible kinematic inputs
PathoGaitFMは、柔軟な運動学的入力を通じて、多様な神経学的および発達的コホートにおける歩行キネティクスを正確に推定する基盤モデルであり、特定の集団や測定プロトコルに合わせて再学習を行うことなく、高い汎用性と堅牢性を実証しています。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは査読を受けていないプレプリントのAI生成解説です。医学的助言ではありません。この内容に基づいて健康上の判断をしないでください。 免責事項の全文を読む
歩行は、私たちの多くが意識することなく行う複雑な機械的動作ですが、脳性麻痺、脳卒中、パーキンソン病などの疾患を治療する医師にとって、一歩一歩に働く正確な力を理解することは極めて重要です。手術の計画を立てたり、リハビリテーションを調整したりするために、臨床医は人がどのように動くかだけでなく、関節がどれだけの力を吸収し、発生させているかを知る必要があります。伝統的に、これらの内部の力を測定することは、専門的な研究所に限定された困難な課題でした。それには、力感知フロアや体に貼られた反射マーカーを追跡するカメラといった高価な装置と、データを処理するための専門家チームが必要となります。このセットアップは非常に煩雑であるため、一般的なクリニックやコミュニティセンター、あるいは自宅で利用できることは稀であり、研究環境以外で患者をモニタリングし治療する方法に大きな空白を生んでいます。
ある研究チームは、「基盤モデル（foundation model）」と呼ばれる一種の人工知能を用いて、この空白を埋めることを目的とした新しいアプローチを開発しました。力板（フォースプレート）に頼らずに、このシステム「PathoGaitFM」は、動きの中での関節の角度のみを使用して、体に作用する力を推定することができます。研究者たちは、膨大な量の健康な成人のデータを用いてこのモデルを訓練し、歩行の基礎となる物理学を学習させました。次に、この単一の共有モデルが、脳性麻痺の子供、脳卒中を経験した成人、パーキンソン病患者を含む、異なる神経学的疾患を持つ人々に対して、力を正確に予測できるかどうかをテストしました。その目的は、一つの普遍的なモデルが、特定のグループごとに再学習させることなく、非常に異なる種類の身体や運動パターンにわたって歩行のメカニズムを理解できるかどうかを確認することでした。
結果は、このモデルがこのタスクにおいて極めて効果的であることを示しています。4つの異なる患者グループからのデータを用いてテストした際、このシステムは歩行の力パターンを高い精度で再構成することに成功し、参照測定値との相関係数は0.811に達しました。この性能は、各グループに対して個別に訓練された既存の他の手法よりもわずかに優れたものでした。より重要なことに、モデルは高い汎化性能を示しました。研究者が、調整や再学習を行うことなく、異なる研究所や集団から得られた5つの全く新しいデータセットにこのモデルを適用したところ、精度は高いまま維持され、相関係数は0.898となりました。これは、モデルが単に訓練された人々の詳細を暗記したのではなく、歩行のメカニズムがどのように機能するかについての、深く共有された理解を学習したことを示唆しています。
このモデルのもう一つの重要な発見は、受け取るデータに対する柔軟性です。現実世界のシナリオでは、センサーが故障したり、患者がすべての関節にマーカーを装着できなかったりすることがあります。研究者たちは、特定の関節角度が欠落している場合にモデルが依然として機能するかどうかをテストしました。その結果、股関節、膝、あるいは足首に関する情報を取り除いたとしても、モデルの精度はわずかに低下するだけであり、相関係数の減少は最大でも0 most 0.041にとどまることがわかりました。これは、完璧なデータが得られないことが常にある臨床現場において、このシステムが不完全な情報に適応できることを示しています。さらに、モデルはビデオカメラやウェアラブルモーションセンサーからのデータに対しても良好に機能し、従来のマーカーベースのシステムと同等の結果を得ることができました。
本研究では、この新しいアプローチを他の確立された手法と比較しました。研究者たちは、彼らの基盤モデルが、同じ患者グループのために特別に再学習された3つの公開モデルを上回る性能を持つことを発見しました。これは、大量の健康な歩行データで事前学習を行い、その後、欠損データを補完する技術を用いる戦略が、特定の疾患ごとに個別のモデルを構築するよりも強力であることを示唆しています。モデルは、幅広い年齢層や疾患を対象に、股関節、膝、足首の力、および地面から押し上げる垂直方向の力を推定することができました。運動障害がより深刻な患者については誤差がわずかに大きくなりましたが、その推定値は、人がラボで何度も歩行する際に生じる自然な変動の範囲内に収まっていました。
この研究は、詳細なバイオメカニクス解析がもはや研究所の中に閉じ込められていない未来を示唆しています。単一のモデルが、多様な集団に対して柔軟な入力から力を正確に推定できることを実証したことで、研究者たちは携帯型テクノロジーを日常的なケアで使用するための強力な根拠を提供しました。この知見は、医師がビデオ録画やシンプルなウェアラブルセンサーを使用して、関節への負荷や運動メカニズムに関する洞察を得られるようになることを示唆しており、高度な歩行分析を外来クリニックや家庭でのリハビリテーションで利用可能にする道を開いています。このモデルは、研究目的での力板の精度に取って代わるものではありませんが、そのような機器の使用がロジスティクス的に不可能な環境において有望な代替手段となり、日常生活における運動障害のモニタリングと治療の方法を変革する可能性があります。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。