利用步态模式作为生物标志物:用于脊柱侧弯分类的注意力引导深度多示例学习网络
计算机视觉与模式识别
2025-04-08 v1 人工智能
摘要
脊柱侧弯是一种难以早期发现的脊柱弯曲疾病,可压迫胸腔,影响呼吸功能与心脏健康。尤其对于青少年而言,延迟发现与治疗会导致压迫加重。传统的脊柱侧弯检测方法严重依赖临床专业知识,而 X 射线成像存在辐射风险,限制了其在大规模早期筛查中的应用。我们提出了一种注意力引导的深度多示例学习方法(Gait-MIL),受 ScoNet-MT 开创性地利用步态模式进行脊柱侧弯检测的启发,该方法能够有效捕捉步态模式中的判别性特征。我们在首个基于步态模式的大规模脊柱侧弯分类数据集上评估了该方法。结果表明,我们的研究提升了将步态作为生物标志物用于脊柱侧弯检测的性能,并显著增强了针对尤其具有挑战性的 Neutral 病例的检测准确率,这些病例中细微的指标常被忽视。我们的 Gait-MIL 在不平衡场景下也表现出稳健的性能,使其成为大规模脊柱侧弯筛查中一种有前景的工具。
引用
@article{arxiv.2504.03894,
title = {Leveraging Gait Patterns as Biomarkers: An attention-guided Deep Multiple Instance Learning Network for Scoliosis Classification},
author = {Haiqing Li and Yuzhi Guo and Feng Jiang and Qifeng Zhou and Hehuan Ma and Junzhou Huang},
journal= {arXiv preprint arXiv:2504.03894},
year = {2025}
}
备注
6 pages, 3 figures