编辑推荐：
为解决传统脊柱侧凸筛查方法的问题，研究人员开展 AIS 筛查研究，发现无标记表面地形学可用于 AIS 筛查。
### 青少年特发性脊柱侧凸筛查新突破：无标记表面地形学与卷积神经网络的结合
在青少年的成长过程中，有一种悄然出现的脊柱疾病正威胁着他们的健康，这就是青少年特发性脊柱侧凸（Adolescent idiopathic scoliosis，AIS）。AIS 是一种三维的脊柱侧向和扭转畸形，影响着约 5% 的青少年人群。想象一下，原本挺拔的脊柱像是被施了魔法，开始弯曲、扭转，不仅影响孩子的体态美观，还可能对心肺功能等造成损害。
目前，传统的脊柱侧凸筛查方法存在诸多弊端。临床筛查方法假阳性率高，孩子们常常被不必要地送去做 X 光检查，从而暴露在电离辐射之下。Adam’s 前屈试验虽然简单，但过于主观，结果依赖于检查者的经验。而使用测量轴向躯干旋转角度的脊柱侧凸测量仪（scoliometer），不同截断值下的敏感性和特异性也不尽如人意。这些问题让家长们担忧，也让医疗工作者们头疼不已，因此，寻找一种更可靠、更准确的筛查方法迫在眉睫。
来自加拿大阿尔伯塔大学（University of Alberta）等机构的研究人员勇敢地迎接了这一挑战，他们开展了一项旨在利用无标记表面地形学（Surface topography，ST）技术和卷积神经网络（Convolutional neural network，CNN）来筛查 AIS 的研究。这项研究成果发表在了《Scientific Reports》上，为 AIS 的筛查带来了新的希望。
研究人员为了开展这项研究，可谓做了充分的准备。他们收集了 558 名参与者的躯干表面扫描数据，其中 285 人确诊患有 AIS，273 人脊柱发育正常。这些数据来自加拿大埃德蒙顿和巴西坎波格兰德多个中心。
研究人员利用 ST 技术，通过获取整个躯干的表面扫描，对数据进行处理。具体来说，他们将躯干模型沿矢状面复制并镜像，然后使反射后的躯干与原始躯干对齐，通过计算两者对应点之间的距离来评估躯干不对称性。同时，把背部表面与冠状面之间的距离（即深度）也进行映射。这些偏差和深度信息被作为输入，用于训练 CNN 模型。在模型训练过程中，采用 10 折交叉验证，并且对数据进行增强处理，最终通过多种评估指标来验证模型的性能。
研究结果令人欣喜。在交叉验证中，训练集和验证集的平均准确率分别达到了 100% 和 94%。测试集的准确率为 95%，敏感性为 97%，特异性为 90%。阳性似然比（Positive likelihood ratio，PLR）达到 9.7，阴性似然比（Negative likelihood ratio，NLR）为 0.032。这意味着该模型在区分 AIS 患者和正常人方面表现出色。而且，对于 Cobb 角大于 25° 的曲线，模型的敏感性高达 99%；对于轻度病例（Cobb<25°），敏感性也有 96%。
从研究结论和讨论部分来看，该研究成功开发了基于 ST 技术和 CNN 的 AIS 筛查模型。与传统筛查方法相比，它具有更低的假阳性率，大大减少了不必要的 X 光转诊，降低了孩子们接触电离辐射的风险。虽然该研究存在一些局限性，比如模型无法提供脊柱侧凸曲线的严重程度信息、样本量有限、数据采集系统存在差异等，但这并不影响其重要意义。它为 AIS 的筛查提供了一种可靠且无创的新方法，有望在临床和社区筛查中得到广泛应用，从而实现 AIS 的早期诊断，预防病情恶化，改善患者的生活质量。这项研究成果就像是在 AIS 筛查的黑暗中点亮了一盏明灯，为未来的研究和临床实践指明了方向。
