生物标记物：基于视频的脊柱侧弯分类方法

脊柱侧弯在青少年中 presents 显著的诊断挑战,尤其是早期检测对于有效治疗至关重要。传统诊断和随访方法依赖体格检查和放射术,面临临床专业知识不足和辐射暴露风险的限制,限制了其用于大规模早期筛查。为此,我们引入一种新型的基于视频的、非侵入式方法用于脊柱侧弯分类,利用步态分析有效地规避了这些限制。该研究提出 Scoliosis1K,第一个专为视频-based 脊柱侧弯分类设计的大型数据集,包含超过一千名青少年。依据该数据集,我们开发了 ScoNet,一种初始模型面临处理现实数据复杂性的挑战。这导致开发了 ScoNet-MT,一种采用多任务学习的增强模型,在实际应用中显示出有前景的诊断准确性。我们的发现表明,步态可作为脊柱侧弯的非侵入式生物标记物,通过深度学习革命性地改变了筛查实践,为非侵入式诊断方法树立了先例。该数据集和代码均公开于 https://zhouzi180.github.io/Scoliosis1K/。