我们走路的方式——即步态——所能揭示的信息远超我们的预期。步幅、左右对称性和步态时序中的细微特征，可能是帕金森病、脑瘫、认知衰退和痴呆等神经系统疾病的早期迹象。但传统的临床步态评估在很大程度上依赖视觉观察，这种方法受主观性、时间和环境限制。这种情况正在开始改变。

在 IBM Research 与克利夫兰诊所的一项新合作中，一个由科学家和临床医生组成的团队开发了一种新的步态分析方法，可适用于广泛的神经系统疾病和传感器配置——包括智能手机摄像头和可穿戴设备等常见设备。这项工作的核心是一个新的 AI 基础模型，非正式名称为 GaitFM，它从丰富多样的数据集中学习人体运动模式；其中大部分是合成数据。该模型面向真实世界设计，在真实世界中，患者数据稀缺，条件也远非理想，无论是在诊所内还是诊所外。

“基于 AI 的步态分析在改善神经系统疾病诊断和追踪治疗反应方面具有巨大潜力，”克利夫兰诊所神经学家、该项目共同负责人 James Liao 博士说。“我们的目标是将其从理想化的实验室条件带入日常临床实践，通过提供一致、客观的评估来帮助医生和患者。”这项工作属于 Discovery Accelerator 的一部分——这是一个联合中心，利用克利夫兰诊所的研究和临床专业知识，以及 IBM 在计算技术领域的全球领导地位。

为什么步态重要，以及合成数据如何实现真实世界评估

步态不仅仅关乎一个人走得多快。它是步长、关节协调、足部放置和姿势的复杂组合。这些细微差别可以提供强大的临床信号，但其中许多即使对训练有素的专业人员来说也很难检测。现有 AI 模型往往难以在不同患者群体、疾病、监测条件和传感技术之间泛化。甚至像摄像头角度变化这样简单的事情，也可能显著降低性能。

“大多数现有步态模型都是在规模小、定义狭窄的数据集上训练的，这些数据集只关注单一疾病、年龄组或传感器类型，”IBM Research 高级研究科学家、该研究主要作者 Yasunori Yamada 解释说。“这使它们难以扩展或在临床实践中广泛应用。”

这正是合成数据发挥作用的地方。研究人员利用生成式 AI 模型，并结合基于物理的肌肉骨骼行走模拟。这些数据并非虚假，而是以生物力学为基础，旨在模拟年龄、神经系统疾病和传感器变异性的影响。该团队生成了数千种高保真步态变体，涵盖广泛的体型、疾病状况、可穿戴传感器和摄像头视角。这些合成步态作为多样、可扩展且可调的数据，帮助 AI 模型学习如何泛化。

合成数据与真实数据结合优于单独使用任一者

该 AI 模型先在合成步态序列上进行预训练，然后用来自帕金森病、脑瘫和痴呆患者的额外真实临床数据进行微调。正如最近在 Nature Communications 中所述，这种混合方法在步态参数估计以及临床分类和预测方面达到了最先进或更好的性能，同时只使用了通常所需真实世界数据的一小部分。

有两个亮点尤为突出。第一是数据高效泛化：当在合成数据上进行预训练时，该模型只需要一小部分真实世界数据，就能匹配或超过当前最先进的基准。即使无法获得临床数据，仅用合成步态训练的模型也能够估计跨神经系统疾病的临床相关运动特征，有时甚至优于用真实数据训练的模型。

第二是多模态适用性：合成数据是为多种传感器模态生成的，包括视频、加速度计和肌电图（EMG）。这使其能够部署在广泛的临床和家庭环境中。值得注意的是，一个仅用合成数据训练的模型能够仅使用单一视频流来估计下肢肌肉活动。这种灵活性为无需专用设备即可进行详细运动分析打开了大门。

“这就是数字健康成为现实的方式，”IBM 全球数字健康研究负责人 Jeff Rogers 表示。“通过将临床洞察与可扩展的 AI 工具相结合，我们正在跨越概念验证阶段，进入真正的临床实用阶段。”

这种从合成到真实的方法对罕见或代表性不足的病症尤其具有前景，因为数据稀缺长期以来一直阻碍着 AI 创新。通过模拟这些人群的步态，并用小型临床数据集进行微调，该模型支持开发准确、公平且可扩展的诊断工具。

基于步态的医疗保健基础

这项工作的成果是 GaitFM，这是团队用于步态分析的基础模型，可以解读来自单个摄像头的视频，无需实验室级传感器或动作捕捉设备。GaitFM 最近在 2025 年 7 月于赫尔辛基举行的 2025 IEEE 国际数字健康会议上荣获最佳论文奖，并且已在 Cleveland Clinic 的部署中进行试点。

“一旦我们证明在合成数据上训练的模型在临床上是可靠的，我们就可以开始扩大真实世界的应用；记录更多步态、改进模型，并建立良性循环，”Liao 表示。“但合成数据将始终不可或缺，以实现我们所需的灵活性，从而评估诊所内外的患者，并覆盖边缘案例、罕见疾病和新设备。”

从模拟步伐到真实患者护理，这一合作代表了 AI 如何从运动中学习并帮助患者维持健康的一个重要里程碑。

转载声明：本文为转载整理，原文版权归原作者及原站点所有。

原文来源：IBM Research Blog

原创地址：https://research.ibm.com/blog/ai-learns-how-we-walk-for-neurology