神经异常头动知识型数据集及其在颈部肌张力障碍中的应用

《Frontiers in Digital Health》：Abnormal head movements in neurological conditions: a knowledge-based dataset with application to cervical dystonia

　　

异常头动（AHM）广泛见于多种神经疾病，但缺乏整合运动学测量、临床严重度评分与患者人口学特征的多病种资源，制约了人工智能驱动诊断工具的发展。为此，研究人员提出NeuroPose-AHM，一个基于知识的神经源性AHM数据集，通过对1,430篇同行评审文献应用多LLM抽取框架构建而成。该数据集包含源自846篇AHM相关论文的2,763条患者组级记录，覆盖57种神经疾病，研究间分类一致性强（κ=0.822）。为验证其分析效用，研究人员以颈部肌张力障碍（CD）为对象实施四项任务框架：任务1进行多标签AHM类型分类（F1=0.750）；任务2构建头颈严重度指数（HNSI），将异质临床评定量表归一化为统一指标；任务3将HNSI与真实世界CD患者数据比对，重度段比例对齐（6.7%），初步支持该序数启发式在高严重度区间的校准合理性；任务4对运动类型概率与HNSI得分进行桥接分析，相关性显著（p<0.001）。结果表明NeuroPose-AHM可作为结构化、基于知识的神经AHM研究资源，数据集发布于Zenodo（https://doi.org/10.5281/zenodo.19386862）。

研究背景方面，体态语言是非言语临床沟通的基本渠道，其中异常头位（AHPOS）涵盖异常头姿（AHP）与异常头动（AHM），后者多由神经功能障碍引发。颈部肌张力障碍（CD）因 patterned dystonic muscle contraction 直接产生病理性AHM，是构建自动化诊断与严重度量化框架的最适病种。基底节-丘脑-皮质环路信号异常是其运动紊乱根源，CD典型共现旋转（torticollis）、侧倾（laterocollis）、前屈（anterocollis）与后伸（retrocollis）。现有AI诊断受限于单中心、单病种、小样本，且临床严重度量表异构（如TWSTRS、BFMDRS、Tsui、GDRS），运动类型术语不一，缺乏跨病种统一资源。该研究发表于《Frontiers in Digital Health》，旨在以多LLM抽取框架从1,430篇文献中构建NeuroPose-AHM知识型数据集，并以CD为示范完成四任务验证。

关键技术方法上，研究人员以PubMed、Scopus、Web of Science、Google Scholar系统检索神经疾病与AHM文献，经PRISMA筛选保留1,430篇，转为Markdown后由GPT 5.1与Claude Sonnet 4.5在温度0.0下独立抽取预定义JSON模式（含研究级、患者组级、运动表征、定量测量、疼痛、眼征、量表评估），经对称交叉评判与最多三轮加权细化选优，权重侧重头动分类（25%）与完整性（25%）。可靠性以Cohen's κ、ICC(2,1)、Jaccard及领域语义相似矩阵评估，并以40篇文献112条记录人工核验。CD子集从中筛得202篇，再分CD-定量集（CD-Q，113条/45篇）与CD-临床量表集（CD-CS，809条/137篇）。

研究结果如下。NeuroPose-AHM数据集生成：经多阶段抽取获2,763条AHM记录跨57病种，互LLM研究级分类κ=0.822，连续变量ICC突出，集合Jaccard合理，语义相似矩阵处理anterocollis/head drop等同义变异；40篇人工子集精确率93.6%、召回91.7%、F1 92.6%，频率场精确率偏低（70.4%）源于群体值误赋亚组。CD分析框架含四任务：任务1多标签AHM分类，CD-Q经滤波获113条，五类标签（torticollis 77.9%、head tremor 26.5%、laterocollis 23.0%、anterocollis 13.3%、retrocollis 13.3%），幅值单位感知转换、频率按生理带（静息震颤3–6 Hz、动作震颤4–11 Hz、肌张力障碍1–6 Hz）清洗、延迟ms化、测量系统序数编码、幅值单位独热，五模型（LR、RF、XGBoost、LightGBM、MLP）分层五折交叉验证，最优F1=0.750；任务2构建HNSI，选TWSTRS（颈亚分35）、Tsui（总分25）、TRS（头面亚分8）、GDRS（颈亚分10），以基线分截顶除以hn_max_k得归一值，纸级同尺度取均值得尺度分，再跨尺度取代表得HNSI∈[0,1]，作者明确其为序数启发式而非度量等价；任务3以HNSI比真实世界CD队列，重度段比例6.7%对齐，提供高严重度区校准可行性的初步佐证；任务4对任务1运动概率向量与任务2 HNSI在共享研究子集桥接，相关显著（p<0.001）。

讨论与结论翻译：跨临床与AI文献存在三缺口——病种孤立处理、定量运动学稀疏、量表异构不可比；NeuroPose-AHM以知识抽取近似专家判断规模化解之。结论为：研究人员提出NeuroPose-AHM，一个通过多LLM框架从1,430篇文献构建的基于知识的神经源性AHM数据集，含2,763条跨57病种记录，抽取可靠性获κ=0.822及人工F1 92.6%支持；以CD示范的四任务框架表明，多标签AHM分类达F1=0.750，HNSI统一异质量表，真实世界比对重度段6.7%对齐，运动概率与HNSI桥接p<0.001，证实该知识型资源对神经AHM研究具分析效用，并公开于Zenodo。