従来からヒトの歩く速度など様々な運動機能は健康指標として利用されてきた。しかし、筋力や時間と言った運動指標を、運動全体を表現する指標に変えることで、健康指標としての価値をより高めることができる。そのため、歩いたり飛んだりといった様々な運動をカメラで捉え、これをLLMでエンベッディングする Gait embedding が行われている。歩行についてエンベッディングが行われるまでの過程についてGPTの作成した図を以下に掲載しておく。

今日紹介するイスラエル・ワイズマン研究所からの論文は、こうして作成した3000人規模の Gait embedding を学習（mask学習）したモデルの潜在空間には、病気も含めて人間の様々な身体状態が把握されており、その相関を取り出してくる方法を示した研究で、11月6日 Nature Mediine にオンライン掲載された。タイトルは「A gait foundation model for prediction of multisystem health phenotypes from 3D skeletal motion（3D骨格筋運動から様々な健康形質を予測する基礎 gait モデル）」だ。

何次元のエンベッディングを用いたのかは把握していないが、こうしてそれぞれの個人の Gait embedding が多次元潜在空間に分布するが、今度はこのエンベッディングに例えばBMIという指標を教師として、各次元の重みを変化させてBMIの数値上にリニアに分布するようモデルを学習させる。もし gait embedding 空間にBMI情報が潜在的に影響しておれば、このモデルは新しい gait embedding からBMIを予測する事ができるようになる。こうして様々な形質を調べると、BMIはかなり高い精度で gait embedding と相関することがわかる。太れば運動機能が落ちるということを正確な指標として表現できたことになる。BMIと比べると、年齢との相関はかなり低い。これも年齢だけでは歩きかたは予測できないという実感に合う。

この研究では、同じようにして多くの性質や病気などの臨床レコードと gait embedding の相関を調べている。やはり最も相関するのは肥満や内臓脂肪、あるいは筋肉量と言った指標になる。ただ調べていくと、例えば腎機能を示すクレアチニン、肝臓実質の状態についてのSoS指標などは高い予測率になり、gaitに影響していることがわかる。

もちろんBMIと内臓脂肪と gait embedding が相関しているだけで、他の指標はBMI等との相関だけでないかという検討も行い、年齢、身長、BMIとは明らかに別の指標として利用できることを確認している。

おもしろいのは様々な病気との相関で、高い相関を示す病気、例えばうつ病や十二指腸潰瘍などが特定されるが、多くの場合は、例えばヒスタミン再吸収阻害剤やプロトンポンプ阻害剤と言った薬剤との相関を反映していることも示された。

元々小さなモデルなので、それぞれの相関に身体のどの部分の動きが重要かも、各運動部分をエンベッディングから除去することで分析することも出来る。結果、多くの性質で gait embedding との相関は足の動きが貢献していることがわかった。

以上が結果で、歩き方から健康がわかるというだれもが感じることを、臨床指標として使える様にするためにもAIが素晴らしい働きをするという話だ。