编辑推荐：
为解决脊柱侧弯传统诊断工具需大量专业人员和设备，易致早期诊断和治疗延误的问题，研究人员开展基于深度学习的脊柱侧弯筛查模型研究。结果显示 Dual AttentionUNet 模型在预测严重脊柱侧弯上准确率超 90%，为大规模筛查提供新选择。
脊柱侧弯，这个悄然潜伏的健康 “杀手”，正威胁着无数人的脊柱健康。它指的是脊柱的侧向弯曲，当站立 X 射线显示 Cobb 角达到或超过 10° 时即可确诊。依据 Cobb 角大小，可分为轻度、中度和重度，不同程度的治疗方式差异较大 。然而，早期脊柱侧弯症状隐匿，传统诊断方法依赖全面的体格检查和放射测量，不仅耗时费力，还容易受到主观因素干扰，而且 X 射线检查存在辐射风险，尤其对青少年危害较大。若治疗延迟，脊柱侧弯可能加重，引发严重并发症。因此，寻找安全、高效的早期筛查和干预工具迫在眉睫。
宁夏医科大学总医院等机构的研究人员勇挑重担，开展了一项极具意义的研究。他们建立了 Dual AttentionUNet 模型，仅依靠裸背照片，就能对脊柱侧弯进行初步筛查和分类。该研究成果发表在《Journal of Orthopaedic Surgery and Research》上，为脊柱侧弯的防治带来了新的曙光。
研究人员采用了多种关键技术方法。首先，收集了 458 名参与者的数据，包括 350 例脊柱侧弯患者和 108 名健康个体，这些参与者来自宁夏医科大学总医院、河南省人民医院和郑州第一人民医院。通过专业设备获取站立全长脊柱前后位 X 射线和裸背图像。其次，对原始 U-Net 模型进行改进，融入通道注意力和自注意力机制，构建 Dual AttentionUNet 模型。最后，运用多种统计方法评估模型性能。
下面来看具体的研究结果：
- 图像分割与算法处理：对原始图像进行预处理后训练 Dual AttentionUNet 模型，结果显示该模型的分割结果更接近医生手动标注，对边界信息更敏感。
- 相关性分析：经计算，背部不对称指数与脊柱侧弯严重程度的 Spearman 相关系数为 0.806（P<0.01） ，呈显著正相关，据此可通过计算背部不对称指数来估计病情严重程度。
- 模型判别性能：模型整体准确率达 86.9%，精度为 87.2%，召回率为 86.9%。不过，对轻度脊柱侧弯患者的误诊率相对较高，提示针对不太明显的脊柱畸形患者，需更强大的特征提取方法。
- 模型与临床医生的性能比较：Dual AttentionUNet 模型的 Cohen's kappa 值为 0.83，表明结果可靠。其受试者工作特征曲线下面积（AUC）在区分健康个体和严重病例时分别达到 0.93 和 0.95，与副主任医师相当。
研究结论表明，Dual AttentionUNet 模型在脊柱侧弯筛查和诊断方面表现出色，准确性和精度与临床医生相当。而且该模型无需辐射、成本低、操作简便且无创，为大规模脊柱侧弯筛查提供了全新选择。
在讨论部分，研究人员指出，该模型将注意力机制融入 U-Net 架构，显著提高了分割精度，能精准检测背部不对称和脊柱侧弯严重程度。与人类专家相比，该模型在效率、一致性和可扩展性方面优势明显。不过，研究也存在局限性，如数据集相对较小，可能无法涵盖所有脊柱侧弯病例的多样性；在高体重指数（BMI）或畸形不明显的患者中，模型性能会下降；此外，在移动平台部署模型还面临技术挑战。
尽管如此，这项研究依然意义非凡。它为脊柱侧弯的早期检测和管理提供了新途径，有望在资源有限的地区或大规模筛查项目中发挥重要作用。随着技术的进步和数据的积累，该模型在脊柱健康领域的应用前景将更加广阔，为保障公众脊柱健康贡献更多力量。
