Quantitativer Vergleich erklärbarer KI-Methoden zur Interpretation tief lernbasierter Klassifikation von 3D-Gangkinematik

Warum diese Forschung zu Gehen und KI wichtig ist

Viele Kinder mit Erkrankungen wie Zerebralparese oder neuromuskulären Krankheiten gehen auf Weisen, die allein mit dem bloßen Auge schwer zu diagnostizieren und zu klassifizieren sind. Ärztinnen und Ärzte nutzen bereits 3D-Bewegungsaufnahmen des Gehens zur Therapieplanung, doch jüngste Fortschritte in der künstlichen Intelligenz können subtile Muster erkennen, die dem Menschen verborgen bleiben. Das Problem ist, dass diese leistungsfähigen Deep-Learning-Modelle oft wie Black Boxes agieren und Antworten ohne klare Begründung liefern. Diese Studie stellt eine einfache Frage mit großen Auswirkungen: Lassen sich diese Modelle dazu bringen zu zeigen, auf welche Teile des Gangs sie sich stützen, sodass Klinikerinnen und Kliniker ihre Hilfe verstehen und vertrauen können?

Von der Bewegungsaufnahme zur intelligenten Mustererkennung

Über 15 Jahre hat ein Ganganalyse-Labor in einem französischen Krankenhaus detaillierte 3D-Bewegungen von Hüften, Knien, Sprunggelenken und Füßen von Kindern beim Gehen aufgezeichnet. Jeder Gangzyklus wurde in zeitabhängige Kurven umgewandelt, die 22 Gelenkwinkel an der stärker und weniger betroffenen Seite beschreiben. Das Team hatte bereits mehrere Deep-Learning-Modelle trainiert, um typischerweise entwickelte Kinder von solchen mit einseitiger oder beidseitiger Zerebralparese, neuromuskulärer Erkrankung oder idiopathischem Zehenspitzengang zu unterscheiden, und erzielte Genauigkeiten bis in den hohen 90-Prozent-Bereich. In dieser neuen Arbeit konzentrierten sie sich nicht auf das Entwickeln eines weiteren Modells, sondern darauf, die vorhandenen Systeme zu öffnen, um zu sehen, welche Gelenkwinkel und Muster die Entscheidungen des Computers tatsächlich antreiben.

Schwarze Kästen lehren, sich zu erklären

Die Forschenden verglichen vier erklärbare-KI-Methoden, die jeweils eine andere Art bieten, eine Vorhersage auf Eingangsmerkmale zurückzuführen. Drei davon (LIME, DeepLift und Integrated Gradients) betrachten, wie kleine Änderungen der Eingaben die Ausgabe des Modells für einen gegebenen Gangversuch beeinflussen. Die vierte Methode, sequentielle Merkmalsauswahl, trainiert wiederholt Modelle, während Gelenkwinkel hinzugefügt oder entfernt werden, um zu sehen, wie sich die Genauigkeit verändert. Indem sie diese Werkzeuge auf drei verschiedene Gangdatensätze und drei Deep-Learning-Architekturen anwendeten, erstellte das Team Ranglisten der wichtigsten Gelenke für jede diagnostische Aufgabe und prüfte anschließend, wie stabil und treu diese Rangfolgen waren.

Was die Modelle über unser Gehen aussagen

Über alle Methoden und Datensätze hinweg zeigte sich ein klares Muster. Flexion und Extension von Hüfte, Knie und Sprunggelenk, insbesondere auf der stärker betroffenen Seite, erschienen konsequent unter den wichtigsten Winkeln. Das sind dieselben Gelenke, die klinische Ganganalytiker schon lange als zentral für das Verständnis der Zerebralparese und verwandter Störungen ansehen. Als die Forschenden untersuchten, wie robust jede erklärbare Methode gegenüber kleinen Datenvariationen ist und wie stark die Modellleistung einbrach, wenn „wichtige“ Merkmale entfernt wurden, hob sich Integrated Gradients als insgesamt am zuverlässigsten hervor. Es lieferte Erklärungen, die sich bei ähnlichen Gangzyklen wenig veränderten und gut damit übereinstimmten, welche Merkmale dem Modell tatsächlich schadeten, wenn man sie wegnahm.

Mehr erreichen mit weniger, besser gewählten Signalen

Die Studie untersuchte auch, was passiert, wenn Deep-Learning-Modelle nur mit den kritischsten Winkeln anstelle aller 22 gefüttert werden. Mithilfe der vorwärtigen Merkmalsauswahl stellte das Team fest, dass in vielen Fällen ein einzelner Gelenkwinkel nur wenige Prozentpunkte hinter der Genauigkeit des Vollmodells zurückbleiben kann. Mit einer kleinen Auswahl top-gerankter Winkel konnte die Leistung sogar die des ursprünglichen Modells übertreffen, das jedes Merkmal nutzte. Das deutet darauf hin, dass das Entfernen von verrauschter oder weniger relevanter Information den Fokus des Modells schärft, es sowohl einfacher als auch genauer macht und gleichzeitig eine kompakte Menge an Gangmerkmalen hervorhebt, die Klinikerinnen und Kliniker leicht interpretieren und über die Zeit überwachen können.

Was das für künftige Klinikbesuche bedeutet

Für Nicht-Spezialisten lautet die zentrale Botschaft, dass Deep-Learning-Werkzeuge zur Ganganalyse nicht einfach raten; sie stützen sich auf dieselben wichtigen Gelenkbewegungen, die menschliche Expertinnen und Experten bereits genau beobachten. Indem die Studie zeigt, dass eine erklärbare Methode, Integrated Gradients, robuste und klinisch sinnvolle Erklärungen liefert, rückt die KI-basierte Gangdiagnostik näher an die tägliche Anwendung. Ärztinnen und Ärzte können sehen, welche Hüft-, Knie- und Sprunggelenksbewegungen zu einer vorgeschlagenen Diagnose geführt haben, und sogar vereinfachte Modelle nur auf diesen kritischen Merkmalen aufbauen. Diese Kombination aus hoher Leistung und transparenter Begründung kann dazu beitragen, dass diese Werkzeuge zu vertrauenswürdigen Partnern bei Entscheidungen werden, wie Kinder mit Gehproblemen am besten unterstützt werden.

Zitation: Lan, Z., Lempereur, M., Aïssa-El-Bey, A. et al. Quantitative comparison of explainable AI methods for interpreting deep learning–based classification of 3D gait kinematics. Sci Rep 16, 15560 (2026). https://doi.org/10.1038/s41598-026-46243-0

Schlüsselwörter: Ganganalyse, Zerebralparese, Deep Learning, erklärbare KI, Gelenkkinematik