《MTDDH数据集：推动儿科髋关节发育不良诊断与骨盆X光质量评估的AI应用》

推荐 本研究针对儿科髋关节发育不良（DDH）诊断中骨盆X光图像质量参差不齐的问题，构建了首个同时支持图像质量评估和DDH诊断的多任务数据集MTDDH。该数据集包含1,250张标注骨盆X光图像，涵盖8个关键解剖点和4个质量控制区域，并通过严格的医学伦理审查和匿名化处理确保数据安全。MTDDH的发布显著提升了AI辅助诊断模型的训练效率，有望改善发展中国家DDH早期筛查的准确性，减少因诊断延误导致的终身残疾风险。

　　

论文解读
发育性髋关节发育不良（Developmental Dysplasia of the Hip, DDH）是儿科骨科最常见的疾病之一，其发病率因地域和种族差异显著，全球范围从每千例活产0.9例到76.1例不等^3,4。DDH若未能在婴儿期及时诊断和干预，可能导致成年后76%的髋关节骨关节炎病例^5,6。然而，由于婴幼儿在X光检查中的配合度低，以及部分基层医疗机构操作不规范，导致“非标准”骨盆前后位X光片（AP pelvis X-ray）的广泛存在。这类图像因双侧闭孔不对称或骨盆前平面与冠状面不平行，直接影响髋关节参数测量的准确性，进而降低DDH诊断的可靠性¹⁰。

传统上，DDH的诊断依赖Tonnis分类和IHDI分类系统，这些系统通过测量股骨头骨化中心、髋臼上缘外侧点等解剖标志的位置进行分型^11,12。然而，现有公开数据集要么缺乏对图像质量的标准化评估，要么样本量不足，难以支撑AI模型的训练需求。为此，浙江大学医学院附属儿童医院的研究团队构建了Multitasking DDH（MTDDH）数据集，首次将图像质量评估与DDH诊断任务整合至同一数据框架中。

MTDDH包含两个子数据集：Dataset 1涵盖1,250张X光图像，标注了4个质量控制区域（右侧闭孔ROF、左侧闭孔LOF、右侧髂骨RI、左侧髂骨LI）和8个关键解剖点（如双侧三叉软骨中心RTCC/LTCC、髋臼上缘外侧点RASM/LASM等）；Dataset 2包含906张图像，仅标注8个诊断关键点，并优化了数据清洗流程。数据采集自2017年6月至2019年2月期间就诊于浙江大学医学院附属儿童医院的DDH患者，严格遵循纳入/排除标准，并通过DICOM到JPEG/PNG的格式转换实现数据标准化。

为确保标注质量，研究团队采用两阶段人工标注流程：首先由两名初级外科医生独立标注，再由一名资深医生进行质量控制和修正。最终数据集被划分为训练集、验证集和测试集，并基于IHDI和Tonnis分类系统定义了骨盆对称性评估的量化指标（如髂骨旋转指数、闭孔面积比）。实验结果表明，MTDDH数据集在图像质量评估和DDH诊断任务上均表现出优异的性能，其标注精度达到临床可接受范围。

技术方法上，研究团队主要依赖RadiAnt DICOM Viewer和SimpleITK库完成图像格式转换与预处理，并通过Python脚本实现像素级分割掩膜的生成。关键点标注则借助Deepwise平台完成，确保解剖标志定位的精确性。

研究结论显示，MTDDH数据集不仅填补了儿科DDH领域高质量数据集的空白，还为AI驱动的自动化诊断工具开发提供了基础资源。其临床意义在于：（1）通过量化骨盆X光图像的质量指标，辅助放射科医生快速识别非标准图像；（2）为AI模型提供多任务学习框架，同步提升图像质量评估与DDH诊断的准确性；（3）推动多中心数据共享，促进全球范围内DDH筛查技术的标准化。未来研究可进一步整合超声数据以覆盖更广泛的年龄段，并探索跨种族数据的泛化能力。

MTDDH数据集的发布标志着儿科骨科领域向智能化诊断迈出重要一步。其开放获取模式不仅降低了研究门槛，还为发展中国家改善DDH诊疗水平提供了切实可行的解决方案。随着AI技术的深度整合，未来有望通过早期精准诊断显著降低髋关节功能障碍的发生率，从而提升患儿的生活质量。