Comparaison quantitative des méthodes d’IA explicable pour l’interprétation de la classification par apprentissage profond des cinématiques de la marche 3D

Pourquoi cette recherche sur la marche et l’IA est importante

De nombreux enfants atteints de pathologies telles que la paralysie cérébrale ou des maladies neuromusculaires marchent d’une manière difficile à diagnostiquer et à classer simplement à l’œil nu. Les médecins utilisent déjà la capture de mouvement 3D de la marche pour guider le traitement, mais les progrès récents en intelligence artificielle peuvent repérer des motifs subtils au‑delà de la perception humaine. Le problème est que ces puissants outils d’apprentissage profond fonctionnent souvent comme des boîtes noires, fournissant des réponses sans raisons claires. Cette étude pose une question simple aux grandes implications : peut‑on amener ces modèles à montrer sur quelles parties de la marche ils s’appuient, afin que les cliniciens puissent comprendre et faire confiance à leur aide ?

De la capture de mouvement à la détection intelligente de motifs

Sur plus de 15 ans, un laboratoire de marche hospitalier en France a enregistré les mouvements 3D détaillés des hanches, genoux, chevilles et pieds des enfants en marche. Chaque cycle de marche a été converti en courbes temporelles décrivant 22 angles articulaires des côtés plus et moins affectés. L’équipe avait déjà entraîné plusieurs modèles d’apprentissage profond pour distinguer les enfants en développement typique de ceux atteints de paralysie cérébrale unilatérale ou bilatérale, de maladie neuromusculaire, ou de marche sur la pointe idiopathique, atteignant des précisions allant jusqu’aux hautes valeurs de 90 pour cent. Dans ce nouveau travail, au lieu de concevoir un modèle supplémentaire, ils se sont concentrés sur l’ouverture du capot de ces systèmes existants pour voir quels angles articulaires et quels motifs motivent réellement les décisions de l’ordinateur.

Apprendre aux boîtes noires à s’expliquer

Les chercheurs ont comparé quatre méthodes d’IA explicable, chacune offrant une manière différente de retracer une prédiction jusqu’aux caractéristiques d’entrée. Trois d’entre elles (LIME, DeepLift et Integrated Gradients) examinent comment de petits changements de l’entrée affectent la sortie du modèle pour un essai de marche donné. La quatrième, dite sélection séquentielle de caractéristiques, entraîne de manière répétée des modèles tout en ajoutant ou supprimant des angles articulaires pour observer comment la précision évolue. En appliquant ces outils à trois jeux de données de marche différents et à trois architectures d’apprentissage profond, l’équipe a créé des listes classées des articulations les plus importantes pour chaque tâche diagnostique, puis a vérifié la stabilité et la fidélité de ces classements.

Ce que les modèles disent de notre façon de marcher

À travers toutes les méthodes et les jeux de données, un motif clair est apparu. La flexion‑extension de la hanche, du genou et de la cheville, en particulier du côté le plus affecté, apparaissait systématiquement parmi les angles les plus importants. Ce sont les mêmes articulations que les experts cliniques de l’analyse de la marche considèrent depuis longtemps comme centrales pour comprendre la paralysie cérébrale et les troubles apparentés. Lorsque les chercheurs ont testé la robustesse de chaque méthode explicable aux petites variations des données, et l’impact sur la performance du modèle lorsque les caractéristiques « importantes » étaient supprimées, Integrated Gradients s’est démarqué comme la plus fiable globalement. Elle a produit des explications qui variaient peu entre cycles de marche similaires et qui concordaient bien avec les caractéristiques dont la suppression nuisait réellement au modèle.

Faire plus avec moins, en choisissant mieux les signaux

L’étude a également exploré ce qui se passe si les modèles d’apprentissage profond reçoivent seulement les angles les plus critiques au lieu des 22 complets. En utilisant la sélection ascendante de caractéristiques, l’équipe a constaté que dans de nombreux cas un seul angle articulaire pouvait atteindre une précision à quelques points de pourcentage près de celle du modèle complet. Avec un petit ensemble d’angles les mieux classés, les performances pouvaient même dépasser le modèle original qui utilisait toutes les caractéristiques. Cela suggère que l’élimination d’informations bruitées ou moins pertinentes peut affiner le focus du modèle, le rendant à la fois plus simple et plus précis, tout en mettant en évidence un ensemble compact de caractéristiques de la marche que les cliniciens peuvent facilement interpréter et suivre dans le temps.

Ce que cela signifie pour les prochaines consultations en clinique

Pour les non‑spécialistes, le message principal est que les outils d’apprentissage profond pour l’analyse de la marche ne se contentent pas de deviner ; ils s’appuient sur les mêmes mouvements articulaires clés que les experts humains surveillent déjà attentivement. En montrant qu’une méthode explicable, Integrated Gradients, fournit des explications robustes et cliniquement pertinentes, l’étude rapproche le diagnostic de la marche assisté par IA d’une utilisation quotidienne. Les médecins peuvent voir quels mouvements de hanche, de genou et de cheville ont conduit à un diagnostic suggéré, et même fonder des modèles simplifiés sur ces caractéristiques critiques seules. Cette combinaison de performance solide et de raisonnement transparent peut aider ces outils à devenir des partenaires de confiance pour décider comment mieux soutenir les enfants ayant des difficultés à marcher.

Citation: 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

Mots-clés: analyse de la marche, paralysie cérébrale, apprentissage profond, IA explicable, cinématique articulaire