《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：Towards Biomarker Discovery for Early Cerebral Palsy Detection: Evaluating Explanations Through Kinematic Perturbations
编辑推荐：
本研究针对脑瘫（CP）早期检测中深度学习模型可解释性不足的临床挑战，开发了一种面向婴儿运动特征的扰动框架，系统比较了CAM与Grad-CAM两种可解释人工智能（XAI）方法在图卷积网络（GCN）模型中的解释效能。通过针对性扰动关键关节点速度与角度特征，发现手臂、髋部和腿部速度特征对CP风险预测占主导作用，而角度扰动影响较小。该研究为基于运动的生物标志物发现提供了新思路，推动了AI辅助CP早期预测的临床转化。
脑瘫（Cerebral Palsy, CP）作为儿童期最常见的运动障碍，全球发病率约为每千名活产婴儿2.11例。早期干预可显著改善患者预后，但传统普雷希特全身运动评估（General Movements Assessment, GMA）依赖专业医师主观判断，难以大规模推广。尽管基于骨架数据的图卷积网络（Graph Convolutional Network, GCN）模型在CP自动预测中展现出高达90.6%的准确率，其“黑箱”特性却阻碍了临床信任度的建立。为此，挪威科技大学团队在《IEEE Transactions on Neural Systems and Rehabilitation Engineering》发表研究，通过创新性运动扰动框架评估可解释人工智能（Explainable AI, XAI）方法，为CP早期预测提供透明化决策依据。
研究团队采用多中心采集的557名高危婴儿视频数据，从中提取骨架序列并构建包含70个GCN模型的集成预测系统。通过类激活映射（Class Activation Mapping, CAM）与梯度加权类激活映射（Gradient-weighted Class Activation Mapping, Grad-CAM）两种XAI方法，识别对CP风险预测具显著影响的关节点（如低风险组中的四肢关节、高风险组中的头颈部关节），进而设计基于生物力学约束的速度与角度扰动实验。关键技术方法包括：（1）基于分位数标定的样本特异性运动特征缩放；（2）保持骨骼长度的关节段协同扰动算法；（3）Kneedle算法与K均值聚类联合的关键关节筛选策略。
速度扰动揭示肢体运动速度的核心作用
通过将关节点速度缩放至自然分布范围的5%-95%分位数区间，发现减缓手臂、髋部和腿部运动会使低风险婴儿的CP风险评分从0.02升至0.20，而加速运动可进一步降低风险。在高风险婴儿中，加速非关键关节（如四肢）可使风险评分从0.89降至0.15，证实模型对运动减速的敏感性高于过度加速。
角度扰动对风险预测影响有限
尽管角度扰动通过改变关节位置范围模拟“多方向运动”特征，但其对风险评分的影响显著弱于速度扰动。仅在非关键关节（如手臂、髋部）角度扩大时，高风险组评分出现适度下降（0.89→0.50），提示模型更关注运动动力学特征而非空间活动范围。
组合扰动强化速度主导模式
当连续施加速度与角度扰动时，速度变化效应被进一步放大。低风险组关节的“减速+角度收缩”组合使风险评分峰值达0.20，而高风险组非关键关节的“加速+角度扩张”可使风险降低至0.14，凸显速度特征在模型决策中的核心地位。
研究结论表明，GCN模型主要依赖肢体速度特征区分典型与非典型运动模式，部分映射了GMA中“变速运动”的临床观察。CAM与Grad-CAM在关键关节识别中呈现部分一致性（如共同关注腿部与头部），但Grad-CAM显示出更明显的侧化差异。该扰动框架不仅验证了XAI解释的生物学合理性，还为运动生物标志物的量化研究奠定基础。未来需通过前瞻性临床研究验证模型识别特征与CP亚型的关联性，并探索头颈部运动等未被充分挖掘的评估维度。
