步态评估对于神经系统疾病的诊断与监测至关重要，但当前临床标准仍主要依赖主观定性判断。近期人工智能技术的进步，使得利用智能手机摄像头等普及型传感器实现定量步态分析成为可能。
然而，现有AI模型多针对特定患者群体和传感器配置设计，这一局限性源于临床数据集的多样性匮乏——数据获取往往受到隐私保护的制约。这种数据单一性导致模型在应用于训练数据未充分覆盖的人群或场景时性能显著下降，限制了其临床适用范围。
发表于《Nature Communications》的研究中，IBM研究院、克利夫兰诊所与筑波大学联合团队提出突破性框架。该方案采用基于物理骨骼肌肉模拟的生成式AI技术，生成包含儿童至老年人群、健康至病理性步态，以及多种传感器配置的合成步态数据。这种合成数据的多样性使开发跨人群、跨环境的鲁棒性步态分析模型成为可能。
研究团队通过包含1200余名受试者（含脑瘫、帕金森病及痴呆症患者）的12000余条真实步态记录数据集进行验证，证实该框架具备两大优势：
- 零样本能力：完全依赖合成数据训练的模型，其步态速度、步长、步时等临床关键参数估计准确率，与真实数据训练模型相当甚至更优。该模型甚至可从单摄像头视频中精准预测肌肉活动；
- 数据高效泛化：合成数据预训练显著提升疾病检测、严重分级、治疗评估和疾病进展预测等多任务性能。仅需少量真实数据微调的模型，其表现即超越完全依赖真实数据训练的现有深度学习模型。
这项技术突破对罕见病或数据稀缺病症尤具价值。研究凸显了合成数据驱动方法在可扩展、公平化临床运动分析中的应用潜力，为突破传统数据壁垒提供了创新解决方案。
更多详情：山田康典等，《合成骨骼肌肉步态在医疗普适应用中的价值》，《Nature Communications》（2025年）。DOI: 10.1038/s41467-025-61292-1
【全文结束】
