基于EDRNet的利用裸背图像进行青少年特发性脊柱侧弯筛查的方法

《BMC Medical Informatics and Decision Making》：EDRNet-based adolescent idiopathic scoliosis screening method using bare-back images

　　

摘要

背景

青少年特发性脊柱侧弯（AIS）影响着2–3%的青少年。目前的筛查方法依赖X光检查，但由于辐射暴露和设备要求，这种方法难以大规模应用。本研究旨在利用背部图像以及高效的扩张残差网络（EDRNet），开发一种无需辐射的高效筛查方法。

方法

本研究从2021年1月至2024年12月期间，在宁夏医科大学总医院骨科及河南省人民医院脊柱外科接受治疗的患者中，选取了300名患有脊柱侧弯的青少年患者和300名没有脊柱疾病的青少年患者作为研究对象。这些患者的背部图像被用作研究数据。通过数据增强技术扩展了数据集，并提出了高效的扩张残差网络。基于背部图像，构建了五种脊柱侧弯分类模型：VGG16、GoogLeNet、ResNet34、MobileNetV2以及本研究中提出的EDRNet。为评估各模型的性能，使用准确率、精确率、召回率和F1值来分析和比较预测结果。此外，还通过ROC曲线和气泡图来比较EDRNet与临床医生在处理背部图像时的分类能力。

结果

在运用原始数据及增强数据进行预测分析时，五种深度学习模型均表现出良好的预测性能。其中，所提出的EDRNet模型的预测性能在所有模型中最优。在对比背部图像的分类能力时，EDRNet的AUC值为0.91，虽低于副主任医师的AUC值0.93，但高于主治医师的AUC值0.88和住院医师的AUC值0.86，而且EDRNet的处理速度也优于这三位医生。

结论

基于EDRNet的脊柱侧弯分类模型具有较高的预测精度，可通过分析背部图像实现高效的脊柱侧弯筛查。该模型具有广阔的应用前景，尤其是在大规模青少年脊柱侧弯筛查中。