Gait2Hip-60：マルチケイデンス歩行運動学から股関節筋力と関節モーメントを予測する統一深層学習ベンチマーク
研究チームは、歩行運動学から股関節筋力と関節モーメントを直接予測する深層学習フレームワークを開発し、LSTM、Transformer、Mambaの3モデルを比較。Transformerが60名の健常者で最高性能を示し、大腿骨頭壊死患者へのゼロショットテストでも中程度の予測能力を維持した。臨床応用にはさらなる検証が必要。
最近、arXivに発表された研究「Gait2Hip-60」は、マルチケイデンス歩行運動学から股関節筋力と関節モーメントを直接予測する統一深層学習ベンチマークを提案しています。従来の筋骨格シミュレーションは情報量が多いものの時間がかかり、臨床現場での応用が困難でした。本研究は、深層学習モデルを用いてより迅速な代替手段を提供しようとするものです。
研究チームは60名の健常成人から歩行データを収集し、メトロノームで誘導される3種類の歩行リズム（遅い、普通、速い）で計測しました。入力は10種類の両側下肢関節角度、出力はOpenSimソフトウェアで計算された股関節筋力と関節モーメントです。LSTM、Transformer、Mambaの3つのシーケンスモデルを訓練し、同一の被験者分割、前処理パイプライン、評価指標で比較しました。
健常者ベンチマークでは、Transformerが最良の成績を示しました：股関節筋力予測ではRMSE 1.33 N/kg、MAE 0.57 N/kg、R² 0.819；股関節モーメント予測ではRMSE 0.11 Nm/kg、MAE 0.07 Nm/kg、R² 0.862。Transformerは全ての歩行リズムで優位性を示しました。
臨床応用の可能性を評価するため、研究者らは最良モデル（Transformer）を、再学習なしで大腿骨頭壊死（ONFH）患者9名からなる外部コホートに直接適用しました。ゼロショット検証では、Transformerは中程度の予測能力を維持しました：股関節筋力予測のRMSE 1.51 N/kg、MAE 0.70 N/kg、R² 0.537；股関節モーメント予測のRMSE 0.17 Nm/kg、MAE 0.12 Nm/kg、R² 0.569。
これらの結果は、歩行運動学からの股関節動態推定の実現可能性を支持し、Transformerが強力なベースラインモデルであることを示しています。しかし、臨床応用に向けては、より広範な病態での検証と一般化性能の向上が必要です。研究ではコードとデータセット（Gait2Hip-60）が公開されており、今後の研究発展に貢献することが期待されます。