3B yürüme kinematiğinin derin öğrenme tabanlı sınıflandırmasını yorumlamak için açıklanabilir YZ yöntemlerinin nicel karşılaştırması

Yürüme ve YZ üzerine bu araştırma neden önemli

Serebral palsi veya nöromüsküler hastalık gibi durumları olan birçok çocuk, yalnızca gözle teşhis ve sınıflandırmanın zor olduğu şekilde yürür. Doktorlar zaten tedaviyi yönlendirmek için yürüyüşün 3B hareket yakalama verilerini kullanıyor, ancak yapay zekadaki son gelişmeler insan algısının ötesindeki ince desenleri tespit edebiliyor. Sorun şu ki, bu güçlü derin öğrenme araçları sıklıkla neden açık olmayan cevaplar veren kara kutular gibi davranır. Bu çalışma, büyük sonuçları olan basit bir soruyu soruyor: bu modellerin hangi yürüyüş parçalarına dayandıklarını gösterebilir miyiz, böylece klinisyenler yardımını anlayıp güvenebilirler mi?

Hareket yakalamadan akıllı desen bulmaya

Fransa’daki bir hastane yürüyüş laboratuvarı, 15 yılı aşkın sürede çocukların yürürken kalça, diz, ayak bileği ve ayaklarının ayrıntılı 3B hareketlerini kaydetti. Her bir yürüyüş döngüsü, daha çok ve daha az etkilenen taraflardaki 22 eklem açısını tanımlayan zamana bağlı eğrilere dönüştürüldü. Ekip, tipik gelişen çocukları tek taraflı veya iki taraflı serebral palsi, nöromüsküler hastalık veya idiyopatik parmak ucu yürüyüşünden ayırmak için zaten birkaç derin öğrenme modelini eğitmişti ve yüzde doksanların yüksek aralığına varan doğruluklara ulaşmıştı. Bu yeni çalışmada amaç bir model daha tasarlamak değil, mevcut sistemlerin kapağını açıp bilgisayarın kararlarını gerçekten hangi eklem açıları ve desenlerin yönlendirdiğini görmekti.

Kara kutuları kendilerini açıklamaya öğretmek

Araştırmacılar, bir tahmini giriş özelliklerine kadar geriye izlemek için farklı yollar sunan dört açıklanabilir YZ yöntemini karşılaştırdı. Üçü (LIME, DeepLift ve Integrated Gradients), verilen bir yürüyüş denemesi için girişteki küçük değişikliklerin modelin çıktısını nasıl etkilediğine bakıyor. Dördüncü yöntem olan ardışık özellik seçimi ise doğruluğun nasıl değiştiğini görmek için eklem açılarını ekleyip çıkararak modelleri tekrarlı olarak eğitiyor. Bu araçları üç farklı yürüyüş veri kümesine ve üç derin öğrenme mimarisine uygulayarak, ekip her tanı görevi için hangi eklemlerin en önemli olduğuna dair sıralı listeler oluşturdu ve bu sıralamaların ne kadar kararlı ve sadık olduğunu kontrol etti.

Modellerin yürüyüşümüz hakkında söyledikleri

Tüm yöntemler ve veri kümeleri genelinde belirgin bir desen ortaya çıktı. Özellikle daha çok etkilenen taraftaki kalça, diz ve ayak bileği fleksiyon ve ekstansiyonları, en önemli açılar arasında tutarlı biçimde yer aldı. Bu, klinik yürüyüş uzmanlarının uzun zamandır serebral palsi ve ilişkili bozuklukları anlamada merkezi gördükleri aynı eklemler. Araştırmacılar her açıklanabilir yöntemin verideki küçük varyasyonlara karşı ne kadar sağlam olduğunu ve “önemli” özellikler kaldırıldığında model performansının ne kadar düştüğünü test ettiklerinde, Integrated Gradients genel olarak en güvenilir olarak öne çıktı. Bu yöntem, benzer yürüyüş döngüleri arasında az değişen ve gerçekten alınınca modeli en çok etkileyen özelliklerle iyi uyuşan açıklamalar üretti.

Daha az, daha iyi seçilmiş sinyalle daha fazlasını yapmak

Çalışma ayrıca derin öğrenme modellerine tüm 22 özellik yerine yalnızca en kritik açıların verildiğinde ne olduğunu da inceledi. İleri özellik seçimi kullanılarak, ekip birçok durumda tek bir eklem açısının tam modelin doğruluğuna birkaç yüzde puanı kadar yaklaşabildiğini buldu. Üst sıralardaki küçük bir açı seti ile performans, her özelliği kullanan orijinal modeli bile geçebiliyordu. Bu, gürültülü veya daha az alakalı bilgileri kaldırmanın modelin odaklanmasını keskinleştirip hem daha basit hem de daha doğru hale getirebileceğini ve klinisyenlerin kolayca yorumlayıp zaman içinde izleyebilecekleri kompakt bir yürüyüş özellik setini vurguladığını gösteriyor.

Gelecekteki klinik ziyaretler için anlamı

Uzman olmayanlar için ana mesaj, yürüyüş analizi için derin öğrenme araçlarının sadece tahmin yürütmediği; insan uzmanların zaten yakından izlediği aynı ana eklem hareketlerine dayandığıdır. Integrated Gradients adlı bir açıklanabilir yöntemin sağlam ve klinik olarak anlamlı açıklamalar verdiğini göstererek, çalışma YZ tabanlı yürüyüş teşhisini günlük kullanıma daha da yaklaştırıyor. Doktorlar önerilen bir teşhise hangi kalça, diz ve ayak bileği hareketlerinin yol açtığını görebilir ve hatta yalnızca bu kritik özelliklere dayanan sadeleştirilmiş modeller oluşturabilir. Güçlü performans ile şeffaf gerekçelendirmeyi birleştirmek, bu araçların yürümekte güçlük çeken çocuklara nasıl en iyi destek verileceğine karar verirken güvenilir ortaklar haline gelmesine yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: yürüyüş analizi, serebral palsi, derin öğrenme, açıklanabilir YZ, eklem kinematiği