摘要
背景：发育性髋关节发育不良（DDH）是婴儿常见的髋关节疾病。对于6个月以下的婴儿，超声检查是主要的影像学诊断方法，但使用Graf和Harcke方法进行测量时依赖于操作者的经验。本研究旨在开发并内部验证一个基于关键点的深度学习模型，以实现Graf α角和β角以及股骨头覆盖率的自动测量。方法：从一家三级医疗机构回顾性地收集了165名0-6个月大婴儿的300张标准平面髋关节超声图像，并由儿科骨科医生共同确定了参考关键点。我们构建了一个名为“DDH-KPNet”的双分支网络，该网络结合了UNet++卷积分支和带有注意力机制的Transformer分支。通过五折交叉验证在三个层面评估了其性能：关键点定位的准确性、类内相关系数（ICC）以及DDH的分类能力。结果：实验结果显示，基于Graf的分类方法准确性为0.903，敏感性为0.81，特异性为0.9497（置信区间95%内）；Harcke方法的准确性为0.942，敏感性为0.888，特异性为0.968（置信区间95%内）；α角、β角和股骨头覆盖率的ICC值分别为0.832、0.728和0.923。结论：所提出的模型在内部验证中显示出与专家测量结果的一致性较好。在临床应用之前，还需要进行多中心的外部验证以及不同医生的独立诊断分析。
