慢性踝关节不稳分类与运动功能评分的可解释数据驱动分层多域融合框架

《Advanced Science》：An Interpretable, Data-Driven, Hierarchical Multi-Domain Fusion Framework for Classification and Motor Function Scoring in Chronic Ankle Instability

　　

慢性踝关节不稳（CAI）是一种常见的运动相关肌肉骨骼疾病，以反复扭伤与神经肌肉控制缺陷为特征，影响从休闲到精英运动员的广泛人群并带来显著医疗负担。研究人员提出一种支持运动健康应用的AI赋能数字孪生框架，兼具可解释性与临床可部署性。该框架利用可穿戴肌电图（EMG）传感器驱动的分层多域融合模型识别CAI并进行亚型分层，通过概率建模生成细粒度运动功能评分，并将评分转化为临床可解释的功能分级以支持康复评估。基于SHapley Additive exPlanations（SHAP）的可解释性揭示了驱动模型决策的关键预测生物标志物，建立了个性化康复的透明闭环框架。在150名参与者（含CAI患者与健康对照）上的验证确认了稳健的分类性能（准确率=98.50%，AUC=0.99）、可靠的CAI亚型区分（准确率=87.70%，宏F1分数=87.20%），以及生成评分与临床金标准量表的高度一致性（r=?0.908，p<0.001）。该非侵入、个性化评估框架支持慢性病长期康复管理，为运动医学提供创新且具成本效益的数字健康方案。

研究背景方面，踝关节扭伤是运动医学最常见损伤之一，约40%首发扭伤者进展为慢性踝关节不稳（CAI），其显著增加创伤后骨关节炎风险并造成高额直接医疗与生产力损失。当前临床依赖Foot and Ankle Ability Measure（FAAM）等序数量表，主观性强、存天花板效应，传统运动学/动力学或影像方法难以捕捉神经肌肉控制机制且不利于纵向功能监测。既往机器学习模型多基于单域特征，泛化受限且缺乏生理可解释性。为此，研究人员开展本研究，旨在桥接CAI精准识别与个性化康复管理，构建可解释、数据驱动的分层多域融合数字孪生框架。

关键技术方法上，研究人员基于宁波大学队列（Yongjiang Cohort）回顾性纳入150人（100例单侧CAI含50例机械性不稳MAI与50例功能性不稳FAI，50例健康对照），采用40 cm落地下肢任务，以16通道Delsys无线表面肌电（sEMG）1000 Hz采集优势腿10块下肢肌信号，经滤波整流与二阶递归滤波提取肌肉激活；以非负矩阵分解（NNMF）提取空间协同向量与时间激活系数，K-means++聚类健康者协同得4个参考运动模块；构建空间、时间单域及集成分类器，最终以随机森林（RF）实现分层多域融合分类；以概率建模生成连续运动功能评分并与FAAM校定分级；全程以SHAP解释特征贡献。

研究结果部分，2.1节肌肉协同结构与解释中，研究人员依据方差解释率（VAF）准则确定最优协同数为4，健康组协同经K-means++聚为4类代表初始刚度、缓冲吸收、膝主导制动与内外侧稳定四模块；CAI各亚型空间权重与时序激活较健康者显著偏离，FAI最优协同数最高。2.2节提取的肌肉协同特征分析中，构建3个空间域与19个时间域特征及高阶特征（最优协同数、结构相似度、VAF），多域融合利于决策边界区分。2.3节分类模型性能中，网格搜索优化RF超参后，多域融合二分类准确率达98.5%、AUC 0.99、F1 98.4%；三分类（健康/FAI/MAI）准确率87.7%、宏F1 87.2%，FAI召回88.5%优于MAI 73.6%。2.4节功能评分模型验证中，融合模型评分与FAAM总分相关r=?0.908，FAI亚组r=?0.906、MAI亚组r=?0.894。2.5节可解释性分析中，SHAP显示空间分类以腓肠肌内侧（MG）、腓肠肌外侧（LG）、股二头肌（BF）等协同结构特征为主，时间分类以峰值频率（PF）、达峰时间（T_peak）为主；融合模型中集成空间/时间分类概率贡献最高，连续评分代理模型R²=0.938、RMSE=2.62，Bland-Altman偏差极小。2.6节临床阈值与分级中，连续评分判别CAI与健康的AUC 0.969，切点62.0，依FAAM 90/75分映设轻度阈53.7、重度阈67.6，分级间原始协同与sEMG特征阶梯差异显著（p<0.001）。

讨论部分总结，研究人员指出空间协同较时间特征对多分类更稳定，因协同为中枢低维模块表示抗噪性强，时间特征易受瞬时波动影响；多域融合兼顾FAI（感觉运动控制异常）与MAI（韧带松弛为主）异质机制，对FAI更敏感。连续评分克服主观量表天花板效应与二分类概率非连续性，SHAP揭示远端小腿肌（MG、LG）权重降低、激活延迟、PF中频段偏移为关键损伤标志物，非线性阈值（如MG权重0.23、LG 0.51）可作康复监测参考。局限性为横断面、样本量有限、SHAP依赖模型架构、未模块化部署。

结论部分原文意译：本研究提出一种面向运动健康应用、高可解释且具临床可部署性的智能评估框架，用于CAI精准识别与个体化运动功能评分。框架以可穿戴传感驱动分层多域融合分类模型辨识CAI及临床亚型，引入概率驱动高分辨率下肢运动功能评分，并将连续评分转为临床可解释严重度分级；通过SHAP揭示关键神经肌肉预测生物标志物，构建从分类、评分到机制反馈的透明闭环。模型分类准确、亚型区分可靠，外部验证中运动功能评分与临床金标准高度一致，有望降低踝扭伤反复诊疗资源负担，为神经肌肉控制障碍慢病提供精细数字健康监控工具。该文发表于《Advanced Science》。