NutriScreener：基于检索增强的多姿态图注意力网络用于营养不良筛查

儿童营养不良仍是全球性危机，而现有筛查方法繁琐且难以扩展，阻碍了早期干预。本文提出NutriScreener，一种检索增强的多姿态图注意力网络，结合CLIP视觉嵌入、类别提升的知识检索和情境感知，实现对儿童图像中营养不良检测和人体测量值预测的稳健检测，同时解决一般化和类别不平衡问题。在临床研究中，医生对其准确率给出4.3/5的评分，对效率给出4.6/5的评分，确认其在资源有限的环境中即可部署使用。在2,141名来自AnthroVision的儿童数据上进行训练和测试，并在跨大陆的人口学多样性数据集（包括ARAN和内部收集的CampusPose数据集）上进行额外评估，实现0.79的召回率、0.82的AUC，并显著降低人体测量值均方根误差，表明在不受约束的儿童医学环境中实现可靠测量。跨数据集结果显示，在使用人口学匹配的知识库方面，召回率提升最高可达25%，均方根误差降低最高可达3.5厘米。NutriScreener为在资源有限的环境中实现儿童营养不良的早期检测提供了可扩展且精确的解决方案。