基于对称性分析的卷积神经网络在视频光栅立体成像脊柱侧弯筛查中的创新应用

《European Spine Journal》：Extending convolutional neural networks to detect differences in symmetry in videorasterstereographic back scans with the aim to improve screening for adolescent idiopathic scoliosis

本研究针对青少年特发性脊柱侧弯（AIS）筛查中存在的假阳性率高、依赖经验判断等问题，开发了两种对称性敏感的卷积神经网络（DeepSymNet与VGG16），通过分析视频光栅立体成像（VRS）的脊柱曲度图像（Mean/Gauss），实现了对AIS的自动分类。验证结果显示模型准确率达0.744-0.801，敏感度与特异度均超过70%，表明对称性分析可有效提升筛查精度，为AIS早期诊断提供了标准化工具。

　　

脊柱健康的守护者：当人工智能遇见脊柱侧弯筛查

在青少年成长过程中，脊柱侧弯如同隐形的“成长杀手”，其典型代表——青少年特发性脊柱侧弯（AIS）是一种复杂的三维脊柱畸形，若不及时干预可能导致躯体畸形和功能障碍。然而，当前AIS筛查面临巨大挑战：传统的亚当前屈试验（FBT）虽操作简便，但敏感度（71%-100%）与特异度（79%-99%）波动大，且易导致过度转诊，增加不必要的放射线暴露和医疗成本。更棘手的是，青春期前的儿童脊柱形态变化微妙，X光片与实际畸形的相关性常不显著，使得早期诊断如同“大海捞针”。面对这一困境，科研人员开始将目光投向人工智能——能否通过深度学习技术，让机器学会捕捉脊柱对称性的细微异常，实现精准、无创的筛查？

为此，Thurid Jochim团队在《European Spine Journal》发表了一项突破性研究，他们巧妙地将对称性分析机制融入卷积神经网络（CNN），开发出专用于脊柱图像分析的DeepSymNet模型，并与经典VGG16架构进行对比，探索对称性特征在AIS分类中的核心价值。该研究首次将视频光栅立体成像（VRS）技术生成的脊柱曲度图像（包括Mean和Gauss两种类型）作为数据基础，通过大规模临床样本（1444例测量数据，含AIS患者、健康人群及其他脊柱畸形群体）验证了模型的可靠性。

关键技术方法简介

研究团队采用DIERS formetric 4D系统采集受试者背部表面的VRS图像，导出Mean和Gauss曲度图后，进行图像校正、裁剪和对称分割预处理。DeepSymNet通过双通道结构分别处理躯干左右半侧图像，再通过合并层计算差异特征；VGG16则直接学习整体图像特征。模型训练采用5折交叉验证，以准确率（acc）、敏感度（sen）、特异度（spc）等指标评估性能，并通过超参数优化（如学习率1×10^-6、Dropout 0.2-0.3）提升稳定性。

研究结果

1. 1.1.
   模型性能对比
   DeepSymNet与VGG16在验证集上准确率均达0.768-0.801，其中多通道DeepSymNet表现最佳（acc=0.801）。两类模型特异性最高达0.866，表明其能有效区分健康与病变状态。然而，阳性预测值（PPV）普遍较低（0.554-0.629），提示模型在复杂病例中仍存在误判风险。
2. 2.2.
   阈值优化与筛查标准匹配
   通过调整决策阈值（从p≥0.5降至p≥0.41），模型在测试集上达到敏感度0.726±0.044、特异度0.748±0.025，满足国际筛查标准（sen/spc>70%）。这一优化显著提升了临床适用性，尤其对轻度AIS的检测更具敏感性。
3. 3.3.
   误判分析与数据集影响
   研究发现，非验证标签病例（如功能性姿势异常）的误判率较高，而经影像学确认的AIS病例分类准确率显著提升。轻度Cobb角（<20°）病例易被错误归类，其他结构性畸形（如过度后凸、扁平背）的特征重叠也增加了分类难度，凸显了数据标签质量对模型性能的关键影响。

结论与展望

本研究证实，基于对称性分析的CNN模型能有效提取VRS图像中的脊柱形态特征，实现AIS的自动化筛查。尽管DeepSymNet未显著超越VGG16，但其专为对称性设计的架构在轻度畸形检测中潜力巨大。未来通过扩大数据集、纳入多平面信息（如矢状面数据）及纵向追踪设计，可进一步提升模型鲁棒性。这项技术不仅为AIS筛查提供了新范式，更启示了对称性机器学习在医学影像分析中的广泛应用前景。