Motion2Meaning：以临床医生为中心的可质疑LLM帕金森病步态解释框架
人机交互
2025-12-11 v1 人工智能
摘要
AI辅助步态分析有望改善帕金森病（PD）护理，但当前临床仪表板缺乏透明度，且无法为临床医生提供有意义的途径来质询或反驳AI决策。为解决这一问题，我们提出Motion2Meaning，一个以临床医生为中心的框架，通过紧密集成的界面推进可质疑AI，以实现可解释性、监督和程序性救济。我们的方法利用来自可穿戴传感器的垂直地面反作用力（vGRF）时间序列数据作为PD运动状态的客观生物标志物。该系统包含三个关键组件：一个步态数据可视化界面（GDVI）、一个预测Hoehn & Yahr严重程度阶段的一维卷积神经网络（1D-CNN），以及一个可质疑解释界面（CII），该界面结合了我们新颖的跨模态解释差异（XMED）保障机制与一个可质疑大语言模型（LLM）。我们的1D-CNN在公开PhysioNet步态数据集上达到了89.0%的F1分数。XMED通过检测错误预测中解释差异的五倍增加（7.45%）与正确预测中的差异（1.56%）成功识别了模型不可靠性，而我们的LLM驱动界面使临床医生能够验证正确预测并成功反驳模型的部分错误。对该可质疑界面的人本评估揭示了LLM的事实基础与其可读性和对临床反馈的响应性之间的关键权衡。本工作展示了将可穿戴传感器分析与可解释AI（XAI）和可质疑LLM相结合的可行性，以创建一个透明、可审计的PD步态解释系统，在利用先进AI能力的同时保持临床监督。我们的实现在以下地址公开：https://github.com/hungdothanh/motion2meaning。
引用
@article{arxiv.2512.08934,
title = {Motion2Meaning: A Clinician-Centered Framework for Contestable LLM in Parkinson's Disease Gait Interpretation},
author = {Loc Phuc Truong Nguyen and Hung Thanh Do and Hung Truong Thanh Nguyen and Hung Cao},
journal= {arXiv preprint arXiv:2512.08934},
year = {2025}
}
备注
Accepted at the 9th International Symposium on Chatbots and Human-Centered AI