Foundation model for gait kinetics estimation across neurological and developmental cohorts from flexible kinematic inputs
PathoGaitFM 是一个基础模型，能够利用灵活的运动学输入，准确估算不同神经系统及发育障碍人群的步态动力学，并展示出无需针对特定人群或测量协议进行重新训练的高泛化性与鲁棒性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
行走是一个复杂的机械动作，我们大多数人在进行时甚至不会多想，但对于治疗脑瘫、中风或帕金森病等疾病的医生来说，了解每一步所涉及的精确力量至关重要。为了规划手术或制定个性化康复方案，临床医生不仅需要知道一个人是如何移动的，还需要知道他们的关节吸收和产生多少力量。传统上，测量这些内部力量是一项困难的任务，仅限于专门的实验室。它需要昂贵的设备，例如力敏地板和用于追踪放置在身体上的反光标记点的摄像机，以及一支负责处理数据的专家团队。这种设置非常繁琐，以至于在常规诊所、社区中心或家中极少使用，这在研究环境之外的医生监测和治疗患者方面留下了巨大的空白。
一组研究人员开发了一种新方法，旨在利用一种被称为“基础模型”的人工智能技术来弥补这一差距。该系统名为 PathoGaitFM，它不依赖于测力板，而是仅通过关节运动时的角度来估算作用于身体的力量。研究人员在大量健康成年人的数据上训练了这个模型，教会了它行走的底层物理学原理。随后，他们测试了这样一个单一且共享的模型，是否能够准确预测包括患有脑瘫的儿童、中风患者以及帕金森病患者在内的不同神经系统疾病患者的力量。其目标是观察一个通用的模型是否能够理解跨越不同体型和运动模式的行走力学，而无需针对每个特定群体进行重新训练。
结果显示，该模型在执行这项任务时表现得非常出色。当在四组不同的患者数据上进行测试时，该系统成功地重建了行走的力模式，并具有高度的准确性，其相关系数达到了 0.811。这一表现略优于其他针对每个特定群体进行专门训练的现有方法。更重要的是，该模型展示了强大的泛化能力。当研究人员将同一个模型应用于来自不同实验室和人群的五个全新数据集时——且未进行任何调整或重新训练——其准确性依然保持在高水平，相关系数为 0.898。这表明该模型学习到了关于行走力学如何运作的深层、共享的理解，而不仅仅是记住了训练人群的具体细节。
该模型的另一个关键发现是其对接收数据的灵活性。在现实场景中，传感器可能会失效，或者患者可能无法在每个关节上佩戴标记点。研究人员测试了如果缺失某些关节角度，模型是否仍能正常工作。他们发现，即使去除了关于髋部、膝盖或踝部的运动信息，模型的准确性也仅略微下降，相关系数的降幅最多不超过 0.041。这表明该系统可以适应不完整的信息，这对于在无法获得完美数据的临床应用中是一项至关重要的特性。此外，该模型在处理来自视频摄像头和可穿戴运动传感器的数据时表现良好，其结果与使用传统标记系统的结果相当。
研究还将这种新方法与其他成熟的方法进行了对比。研究人员发现，他们的基础模型优于另外三个专门针对相同患者群体进行过重新训练的已发表模型。这表明，先在大规模健康行走数据集上进行预训练，然后使用一种技术来填补缺失数据的策略，比为每种特定疾病构建独立的模型更为强大。该模型能够估算髋部、膝部和踝部的力量，以及来自地面的垂直推力，涵盖了广泛的年龄和病情。虽然对于运动障碍较严重的患者，误差会稍大一些，但其估算值仍处于与一个人在实验室多次行走时的自然波动范围相近的区间内。
这项工作指向了一个详细的生物力学分析不再局限于实验室的未来。通过证明一个单一模型可以从灵活的输入中准确估算力量，并适用于多样化的人群，研究人员为在日常护理中使用便携式技术提供了坚实的基础。研究结果表明，医生很快就能通过视频录制或简单的可穿戴传感器，获取有关关节负荷和运动力学的洞察，使先进的步态分析能够走进门诊诊所和居家康复领域。虽然该模型不能取代研究用途中测力板的精度，但它为那些在物流条件下无法使用此类设备的场景提供了一个极具前景的替代方案，有望改变日常实践中运动障碍监测和治疗的方式。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。