面向早期脑肌麻痹检测的生物标志物发现：通过运动扰动评估解释性方法

脑肌麻痹（Cerebral Palsy, CP）是儿童中常见的运动障碍，早期检测可显著改善治疗结果。尽管基于骨架的图卷积网络（Graph Convolutional Network, GCN）模型在从婴儿视频中自动预测CP风险方面显示出前景，但其“黑箱”性质引发了临床可解释性的担忧。为此，我们提出了针对婴儿运动特征的扰动框架，用于比较两种可解释人工智能（XAI）方法：类别激活映射（Class Activation Mapping, CAM）和梯度加权类激活映射（Gradient-weighted Class Activation Mapping, Grad-CAM）。首先，我们基于XAI归因得分识别出在极低风险和极高风险婴儿视频片段中显著和不显著的身体关键点。我们随后对这些关键点进行针对性的速度和角度扰动，分别或组合，以评估GCN模型的风险预测如何变化。我们的结果表明，手臂、髋部和腿部的速度驱动特征对CP风险预测具有主导影响，而角度扰动的影响较为适度。此外，CAM和Grad-CAM在解释低风险和高风险CP组时表现出部分收敛。我们的发现表明，XAI驱动的运动分析可用于早期CP预测，并为潜在的基于运动的生物标志物发现提供了见解，这值得进一步的临床验证。