Nature子刊《communications biology》——利用深度学习技术通过背部图像对脊柱侧弯情况筛查

一.摘要

青少年特发性脊柱侧弯是青少年中最常见的脊柱疾病，全世界的患病率为0.5–5.2％。 脊柱侧弯筛查的传统方法很容易获得，但由于其较低的阳性预测值，因此需要不必要的转诊和放射线照相。 深度学习算法的应用具有减少脊柱侧弯筛查中不必要的转诊和成本的潜力。 在这里，我们开发并验证了深度学习算法，该算法可使用裸露的背部图像进行自动脊柱侧凸筛查。 该算法的准确性在检测脊柱侧弯，检测曲线≥20°的病例以及对二元分类和四分类的严重性分级方面优于人类专家。 我们的方法可以潜在地应用于常规脊柱侧弯筛查和无放射线的治疗前定期随访。

二.介绍

青春期特发性脊柱侧弯（AIS）的定义是10至18岁人群的脊柱弯曲度为10°或更大，并且病因不明。 它是青少年中最常见的脊柱疾病，全世界的患病率为0.5–5.2％。 未经治疗的脊柱侧弯可在骨骼成熟之前发展，这会影响身体外观，影响心肺功能，甚至引起瘫痪4-6。 因此，学校推荐脊柱侧弯筛查（SSS），以便在病程进展之前尽早发现可逆性脊柱弯曲。

SSS涉及不同类型的评估方法，包括外观检查，正向弯曲测试，弯度仪测量和单独的莫尔形貌，这些都可以直接且容易获得。 然而，这些方法的缺点是相当大的，并且包括它们对筛查者的主观性的敏感性，耗时的性质以及由于其低的阳性预测值（PPV）而需要不必要的射线照相。 尽管美国预防服务工作队（USPSTF）根据最新证据将SSS建议从否定（D级，不鼓励使用筛查程序）更改为中立（I级，服务优缺点的不确定性） 2018年，SSS中传统评估方法的缺陷仍未解决。

计算机视觉由于其在图像信息提取中的良好性能而被公认为是一种有前途的医学图像识别方法。 计算机视觉已经完成了许多任务，包括对眼部疾病的自动分类，识别遗传性疾病的面部表型19以及根据眼底图像预测心血管危险因素。 当人类筛选者评估外观特征以检测SSS期间的脊柱侧弯时，计算机视觉也可以识别这些特征。 在这里，我们使用裸露的背面图像，开发了深度学习算法（DLA），并验证了它们在脊柱侧弯的检测和严重度分级中的可行性和有效性。 可以通过远程医疗检查筛查大量的青少年，并且可以避免暴露在辐射下。

三.结果

算法训练和内部验证。训练和内部验证数据集的人口统计信息如表1所示。Faster-RCNN和Resnet的整个框图以及体系结构如图1所示。Faster-RCNN的平均定位性能为100％（平均插值）精度，标准偏差为0）。建立算法后，应用五重交叉验证来评估其性能。为了检测曲线≥10°的情况，算法1的平均AUC为0.946（95％CI，0.916–0.975），灵敏度为87.5％（95％CI，81.2–93.8％），特异性为83.5％（ 95％CI，77.6–89.4％）和PPV为86.2％（95％CI，81.6–90.8％）。对于算法2，检测曲线≥20°的病例的AUC，敏感性和特异性分别为0.951（95％CI，0.933-0.970），85.7％（95％CI，83.4-88.1％）和89.6％（95 ％CI，86.2–93.0％），PPV为89.1％（95％CI，85.8–92.5％）。算法3的平均准确度为80.0％（95％CI，77.8–82.1％），可区分四组。DLA的内部验证结果如图2和补充表1所示。