Nat. Commun. | 日本IBM研究院和筑波大学新研究：利用合成肌肉骨骼步态实现可泛化的医疗应用

人工智能（AI）正被寄予厚望，希望它能通过智能手机摄像头或廉价的可穿戴设备，彻底改变临床步态分析——这一诊断和监测帕金森病、痴呆症等神经系统疾病的关键手段。然而，一个严峻的现实阻碍了这一愿景：AI模型的“泛化能力”极差。

一个在A医院训练出的“步态AI”，换到B医院的场景下可能就“水土不服”。这种脆弱性源于AI的“数据饥渴症”与医疗数据“多样性孤岛”之间的深刻矛盾。

现在，一篇发表在《自然·通讯》上的重磅研究为这一困境提供了极具开创性的解决方案。来自IBM研究院和日本筑波大学的联合团队 提出，我们或许不再需要无休止地收集昂贵且敏感的真实患者数据，而是可以利用一个基于物理模拟的“步态生成模型”，创造出海量且高度多样的“合成步态”。

研究结果令人振奋：利用这些合成数据，AI模型不仅实现了跨疾病、跨传感器的强大泛化能力，在某些任务上，其数据效率平均提升了超过60%。

传统的合成数据方法，如GAN（生成对抗网络），通常是基于现有的真实数据进行“模仿”和“扩充”。但这项研究的思路更为彻底：如果AI的训练数据从一开始就包含了行走的所有可能性呢？

该团队的核心技术是“Generative GaitNet”，这是一个在复杂物理模拟器中学会控制全身304块肌肉的“数字骨骼”。

而真正的创新点在于，研究人员没有只让它“健康行走”。他们通过在模拟中引入“非典型参数”——例如，调弱特定肌群的力量以模拟“肌肉无力”，或缩短肌肉长度以模拟“肌肉挛缩”——成功生成了数千种在生物力学上合理、但形态各异的“病理步态”。

该研究的消融实验（Ablation studies）和聚类分析明确证实，正是这些“非典型合成步态”，完美覆盖了真实痴呆症或脑瘫患者的异常步态特征分布。这（而非正常步态）才是AI模型学会理解“病态”的关键。

这项研究在两个堪称严苛的场景中验证了该方法的实用价值：

在第一个场景中，团队测试了一个完全没有见过任何真实数据、仅在“合成步态”上训练的AI模型。

结果显示，当这个“零样本”模型直接应用于三个完全不同的真实数据集（包括痴呆症患者的前/后视视频和脑瘫患者的旋转侧视视频）时，它在估计步速、步长等关键步态参数上的表现，与那些在真实数据上专门训练的模型“相当甚至更优”。例如，在痴呆症数据集上，它估计步长所需的真实数据量，比专门模型少了67%（仅需33%的真实数据）。

在第二个、也是意义更重大的场景中，团队使用海量的合成数据对AI模型进行“预训练”，使其先学习到关于人类行走和病理的通用知识。

随后，他们仅用少量真实数据对模型进行“微调”，将其应用于复杂的临床下游任务，包括：

1. 痴呆症诊断分类（CU vs. MCI vs. Dementia）

2. 脑瘫严重程度分级（GMFCS level I, II, III）

3. 预测未来三年的认知能力下降

结果是压倒性的：“合成数据预训练”在大部分任务和模型架构上都更胜一筹。

更重要的是，这带来了数据效率的革命。研究发现，要达到与“未预训练模型”相同的最佳性能，预训练模型平均仅需要38%的真实视频数据或25%的真实加速度计数据。这意味着，对于那些数据极其稀缺的罕见病（如弗里德希氏共济失调）或耗时极长的纵向预测研究（如认知下降），开发AI模型在数据层面已变得可行。

该研究的作者们认为，这项技术虽然不能完全替代真实数据，但它作为一种强大的“补充手段”，为开发可泛化、可扩展的医疗AI开辟了全新途径。

一个极具吸引力的前景是：它有能力“解锁”那些沉睡在医院服务器中的海量、未标记的历史数据。例如，医生过去用于视觉评估的临床步态视频，或患者用于日常监测的活动数据，现在都可以通过这种“合成数据训练”的AI模型进行回顾性定量分析，从而在无需额外成本的情况下发现新的疾病生物标志物。