想象一下这样一个世界：医生只需看一眼走在走廊里的孩子，就能立刻知道他们的肌肉运动是否正常，或者是否存在细微的异常。这并非魔法，而是计算机视觉（教计算机“看见”并理解图像）与儿科学（针对儿童的医疗护理）的交汇点。长期以来，医生一直依靠自己的眼睛来发现孩子走路时的细微差异，这个过程被称为步态分析。虽然这对经验丰富的医生来说效果很好，但要教会计算机完成同样的工作却很难，因为孩子不仅仅是“缩小版的成年人”。他们的身体仍在发育，动作摇晃且难以预测，走路也没有成年人那样完美的节奏。这使得标准的 AI（通常是在稳定的成年人行走数据上训练的）很难发现那些预示健康问题的微小线索。

这就是 1st AI Children Challenge 的故事，这是一个高水平的竞赛，计算机科学家和医生联手解决了这个难题。论文描述了他们如何构建了一个庞大的全新视频数据“库”，其中包含了数千名行走的儿童，涵盖了从蹒跚学步的幼儿到青少年。他们向全球顶尖的 AI 团队发起挑战，要求他们构建能够像专家医生一样工作的模型，通过分析这些视频来识别与脑性瘫痪（一种影响肌肉运动的疾病）相关的特定行走模式。其目标不仅是说出“这个孩子走得不对劲”，而是要精确地评分其行走方式，并对他们所面临的具体困难类型进行分类，而这一切仅凭一段简单的视频即可实现。论文揭示了尽管这是一项艰巨的任务，但新的数据集和竞赛激发了一些非常聪明的解决方案，正让我们离帮助医生更快、更准确地诊断孩子越来越近。

核心挑战：教 AI 如何观察孩子的行走

论文作者希望弥合人类医生所能观察到的现象与计算机所能理解的内容之间的鸿沟。他们意识到，现有的 AI 工具就像是只读过成年人教科书的学生；当它们试图分析儿童时就会失败，因为孩子的运动方式不同。为了解决这个问题，团队创建了儿童步态姿态序列 (CGPS) 数据集。可以将这个数据集看作一本巨大的、极其详细的 AI 训练手册。它包含超过 1,100 段儿童行走的视频，记录频率为每秒 60 帧（这相当于每秒拍摄 60 张快照）。这些视频捕捉了 110 名年龄在 2.6 至 16.6 岁之间的患者，他们在侧面和正面设置的摄像机前行走。

但仅有视频是不够的。这个数据集真正的魔力在于“标注”——即告诉 AI 该寻找什么的标签。包括拥有数十年经验的医生在内的医学专家审阅了这些视频，并在儿童身体的特定点位（如膝盖、臀部和脚踝）进行了标记，从而创建了一个运动骨架。随后，他们对 34 个不同的行走细节进行了评分，例如“脚跟抬起的高度”或“膝盖弯曲的程度”。他们还识别了四种患有被称为“双侧痉挛型脑瘫 (bilateral spastic CP)”的孩子可能出现的特定行走方式，并赋予了它们名称，如“跳跃步态 (Jump Gait)”（孩子看起来像是在蹦跳）或“屈膝步态 (Crouch Gait)”（孩子带着弯曲的膝盖行走）。

竞赛的两条赛道

挑战被分为两个截然不同的任务，或称之为“赛道”，供参赛者攻克。

赛道 1：计分员
第一个任务是充当一名严格的裁判。AI 必须观察一个孩子的行走，并为他们运动的 34 个不同部分分配分数。这是基于一种名为爱丁堡视觉步态评分 (EVGS) 的临床工具。想象一位老师在给学生的书法打分；AI 必须判断某个特定的动作是“正常”还是“异常”。论文指出，这之所以困难，是因为差异往往非常细微。团队必须预测一个孩子的脚跟抬起是否正常，或者其膝盖是否弯曲过度。目标是让 AI 的得分尽可能接近真实医生的记录。

赛道 2：侦探
第二个任务是一个分类游戏。在这里，AI 必须观察一名患有双侧痉挛型脑瘫的孩子，并判断他们属于四种特定行走模式中的哪一种。这就像是在观察一群人，并试图猜出谁戴着红帽子，谁戴着蓝帽子，等等，只不过这里的“帽子”是看不见的行走风格。AI 必须捕捉到区分“真跖屈步态 (True Equinus)”与“跳跃步态 (Jump Gait)”的细微病理差异。由于数据集中某些稀有模式的样本非常少，这使得 AI 很容易产生混淆，因此这项任务特别困难。

如何衡量成功

组织者并没有让他们仅仅靠猜测；他们建立了一个严密的测试场。他们对数据进行了划分，使 AI 可以在一些视频上学习，并在从未见过的其他视频上接受测试。为了确保结果公平，他们使用了两种主要方式来评判团队：

1. 准确率： AI 得到正确答案的频率是多少？
2. 误差测量： 对于评分赛道，他们测量了 AI 的得分与医生得分之间的偏差程度。

他们还引入了一个“后评估”阶段。在比赛结束后，顶尖团队必须分享他们的代码。组织者随后会在标准计算机上亲自运行这些代码。这是为了确保没有任何团队的结果仅仅是偶然现象或运气使然。

结果：AI 发现了什么

这场竞赛吸引了来自全球各地的 57 支队伍。结果显示，虽然 AI 尚未完美模仿人类医生，但已经取得了显著进展。

• 对于评分赛道 (赛道 1)： 获胜团队 CCE 使用了一种巧妙的方法，将预训练 AI 模型（类似于通用知识库）与医生设计的特定规则相结合。他们能够以极高的准确度预测评分。另一个顶尖团队 Btaji Crew 则专注于提取特定的“生物力学”细节（例如关节的确切角度），然后再做出判断。论文表明，最好的方法不仅仅是使用一个大型 AI 模型，而是结合不同的方法——例如使用“混合”方法，让机器学习与严格的医学规则协同工作。
• 对于分类赛道 (赛道 2)： 获胜团队 seantangth 使用了一种名为 XGBoost（一种强大的决策算法）的方法，但对其进行了调整，使其遵循关于左右腿如何相互关联的特定医学规则。他们发现，仅仅让 AI 进行猜测是不够的，必须强制 AI 尊重人体的对称性。

论文强调，顶尖团队都采用了处理稀有行走模式样本极少这一事实的策略。他们使用了诸如“跨赛道信号 (cross-track signals)”之类的技术，即 AI 利用评分赛道的计算结果来帮助它在分类赛道中做出更好的判断。这就像是通过数学考试的分数来帮助你猜测历史问题的答案，因为这两个学科是相关的。

这对未来意味着什么

论文总结道，这次挑战是一个重大的进步。它证明了通过正确的数据和医生的指导，AI 可以开始理解儿童运动中复杂、混乱且奇妙的方式。作者建议，未来的工作应侧重于使这些模型更好地处理不同的摄像机和不同的体型。他们还指出，下一个重要步骤是观察这些工具是否能在真实的医院环境中帮助医生更快地诊断儿童。

然而，论文谨慎地指出，这并不意味着问题已经“解决”。结果显示，虽然 AI 正在变得擅长，但在处理最微妙和罕见的病例时仍然感到吃力。作者强调，这项挑战的真正价值不仅在于获胜的算法，还在于创建了一个共享的数据集以及一个致力于改进儿童医疗保健的研究共同体。竞赛表明，当计算机视觉遇到医学专业知识时，我们可以开始构建工具，帮助每一个孩子走得更轻松一点。