Motion2Meaning: prüfbares LLM für Parkinson‑Ganganalyse

Die Analyse von Gangmustern bei Parkinson‑Patienten mithilfe von KI hat das Potenzial, die Versorgung deutlich zu verbessern. Bisher bieten klinische Dashboards jedoch kaum Transparenz und ermöglichen es Ärzten nicht, die Entscheidungen der Algorithmen zu hinterfragen oder zu korrigieren. Mit dem neuen Framework Motion2Meaning soll dieses Problem gelöst werden.

Das System kombiniert drei zentrale Bausteine: eine visuelle Schnittstelle zur Darstellung von Gangdaten (GDVI), ein eindimensionales Convolutional Neural Network (1D‑CNN), das die Schweregrade nach Hoehn & Yahr vorhersagt, und eine prüfbare Interpretationsschnittstelle (CII). Letztere nutzt einen Cross‑Modal Explanation Discrepancy (XMED) Mechanismus, um Unzuverlässigkeiten im Modell zu erkennen, und ein Large Language Model (LLM), das Ärzten ermöglicht, die Vorhersagen zu validieren und Fehler zu melden.

In Tests auf dem öffentlichen PhysioNet‑Gangdatensatz erreichte das 1D‑CNN einen F1‑Score von 89 %. XMED identifizierte fehlerhafte Vorhersagen zuverlässig, indem es bei falschen Ergebnissen einen fünffachen Anstieg der Erklärungdiskrepanzen verzeichnete (7,45 % vs. 1,56 %). Das LLM‑Interface erlaubte es Fachärzten, korrekte Vorhersagen zu bestätigen und einen Teil der Fehler des Modells erfolgreich zu korrigieren.

Eine nutzerzentrierte Evaluation zeigte, dass das Interface einen wichtigen Kompromiss zwischen der sachlichen Genauigkeit des LLM und seiner Lesbarkeit sowie Reaktionsfähigkeit auf klinisches Feedback darstellt. Insgesamt demonstriert die Arbeit die Machbarkeit eines prüfbaren KI‑Systems, das Ärzten mehr Kontrolle und Transparenz bei der Interpretation von Gangdaten bei Parkinson bietet.