Foundation model for gait kinetics estimation across neurological and developmental cohorts from flexible kinematic inputs
PathoGaitFM은 유연한 운동학적 입력을 통해 다양한 신경학적 및 발달적 코호트 전반에 걸쳐 보행 역학을 정확하게 추정하며, 특정 인구 집단이나 측정 프로토콜을 위한 재학습 없이도 높은 일반화 능력과 견고성을 입증하는 파운데이션 모델이다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기
걷기는 우리 대부분이 별생각 없이 수행하는 복잡한 기계적 행위이지만, 뇌성마비, 뇌졸중 또는 파킨슨병과 같은 질환을 치료하는 의사들에게는 매 걸음마다 발생하는 정밀한 힘을 이해하는 것이 매우 중요합니다. 수술을 계획하거나 재활을 맞춤화하기 위해 임상의들은 환자가 어떻게 움직이는지뿐만 아니라, 관절이 얼마나 많은 힘을 흡수하고 생성하는지도 알아야 합니다. 전통적으로 이러한 내부의 힘을 측정하는 것은 특수 실험실에서나 가능한 어려운 작업이었습니다. 이는 힘 감지 바닥(force-sensitive floors)과 몸에 부착된 반사 마커를 추적하는 카메라와 같은 고가의 장비, 그리고 데이터를 처리할 전문가 팀을 필요로 합니다. 이러한 설정은 너무 번거롭기 때문에 일반 클리닉, 커뮤니티 센터 또는 가정에서는 거의 사용되지 않으며, 이로 인해 연구 환경 이외의 곳에서 환자를 모니터링하고 치료하는 방식에 큰 공백이 생겼습니다.
연구진은 파운데이션 모델(foundation model)이라 불리는 일종의 인공지능을 사용하여 이 간극을 메우고자 하는 새로운 접근 방식을 개발했습니다. 힘 측정판에 의존하는 대신, '패소게이트FM(PathoGaitFM)'이라 명명된 이 시스템은 움직이는 관절의 각도만을 사용하여 신체에 작용하는 힘을 추정할 수 있습니다. 연구진은 방대한 양의 건강한 성인 데이터를 바탕으로 이 모델을 학습시켜, 걷기의 근본적인 물리학을 가르쳤습니다. 그런 다음, 이 단일한 공유 모델이 뇌성마비를 가진 어린이, 뇌졸중을 겪은 성인, 파킨슨병 환자를 포함하여 서로 다른 신경계 질 conditions를 가진 사람들의 힘을 정확하게 예측할 수 있는지 테스트했습니다. 목표는 하나의 보편적인 모델이 각 특정 집단에 맞춰 다시 학습될 필요 없이, 매우 다양한 유형의 신체와 움직임 패턴을 가로질러 걷기의 역학을 이해할 수 있는지 확인하는 것이었습니다.
결과는 이 모델이 이 작업에 매우 효과적임을 보여줍니다. 네 가지 서로 다른 환자 집단의 데이터로 테스트했을 때, 이 시스템은 높은 정확도로 걷기의 힘 패턴을 성공적으로 재구성했으며, 참조 측정값과 0.811의 상관 계수를 기록했습니다. 이 성능은 각 집단에 맞게 특별히 학습된 기존의 다른 방법들보다 약간 더 우수했습니다. 더욱 중요한 점은 모델이 강력한 일반화 능력을 보여주었다는 것입니다. 연구진이 아무런 조정이나 재학습 없이 다섯 개의 완전히 새로운 실험실 및 인구 집단 데이터셋에 이 모델을 적용했을 때, 정확도는 0.898의 상관 계수를 유지하며 높게 나타났습니다. 이는 모델이 단순히 학습한 사람들의 세부 사항을 암기한 것이 아니라, 걷기 역학이 어떻게 작동하는지에 대한 깊고 공유된 이해를 학습했음을 시사합니다.
이 모델의 또 다른 핵심적인 발견은 입력되는 데이터에 대한 유연성입니다. 실제 상황에서는 센서가 고장 나거나 환자가 모든 관절에 마커를 착용할 수 없을 수도 있습니다. 연구진은 특정 관절의 각도 정보가 누락되었을 때도 모델이 여전히 작동할 수 있는지 테스트했습니다. 그 결과, 고관절, 무릎 또는 발목에 대한 정보가 제거되더라도 모델의 정확도가 상관 계수 기준으로 최대 0.041이라는 아주 적은 폭으로만 약간 감소한다는 것을 발견했습니다. 이는 완벽한 데이터가 항상 준비되지 않는 임상 현장에서 이 시스템이 불완전한 정보에도 적응할 수 있음을 나타냅니다. 또한, 모델은 비디오 카메라나 웨어러블 모션 센서로부터 데이터를 입력받았을 때도 기존의 마커 기반 시스템과 대등한 결과를 얻으며 우수한 성능을 보였습니다.
이 연구는 이 새로운 접근 방식을 기존의 확립된 방법들과 비교했습니다. 연구진은 이 파운데이션 모델이 동일한 환자 집단을 위해 특별히 재학습된 세 가지 다른 발표된 모델들보다 더 뛰어난 성능을 보였다는 것을 발견했습니다. 이는 대규모의 건강한 걷기 데이터로 사전 학습을 하고 결측치를 채우는 기술을 사용하는 전략이, 각 특정 질환을 위해 별도의 모델을 구축하는 것보다 더 강력하다는 것을 시사합니다. 모델은 광범위한 연령과 질환에 걸쳐 고관절, 무릎, 발목의 힘뿐만 아니라 지면에서 밀어 올리는 수직 항력까지 추정할 수 있었습니다. 운동 장애가 더 심한 환자들의 경우 오차가 약간 더 컸지만, 그 추정치는 사람이 실험실에서 여러 번 걸을 때 나타나는 자연스러운 변동 범위 내에 있었습니다.
이 연구는 상세한 생체 역학 분석이 더 이상 실험실에만 국한되지 않는 미래를 향하고 있습니다. 다양한 인구 집단에 대해 유연한 입력을 통해 힘을 정확하게 추정할 수 있는 단일 모델을 입증함으로써, 연구진은 휴대용 기술을 일상적인 진료에 사용할 수 있는 강력한 근거를 마련했습니다. 이 결과는 의사들이 곧 비디오 녹화나 간단한 웨어러블 센서를 사용하여 관절 부하와 움직임 역학에 대한 통찰력을 얻을 수 있게 되어, 외래 클리닉이나 가정 기반 재활에서 고급 보행 분석을 가능하게 할 것임을 시사합니다. 이 모델이 연구 목적의 힘 측정판의 정밀함을 대체하는 것은 아니지만, 장비 사용이 물류적으로 불가능한 환경에서 유망한 대안을 제공하며, 일상적인 진료 환경에서 운동 장애를 모니터링하고 치료하는 방식을 변화시킬 잠재력을 가지고 있습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.