[发明专利]一种基于深度学习的脊柱畸形筛查系统及方法

说明书

本发明具体涉及了一种基于深度学习的脊柱畸形筛查分类系统及方法，可将获取的人体外观照片进行自动分析从而实现脊柱畸形筛查分类。该系统是由深度学习框架自主学习由医学专家根据对应的X线结果注释分类的正常群体和脊柱畸形群体的外观图片，得到训练完成的深度学习模型。用户可运用各类终端在联机或脱机状态下使用该系统自动提取上传的外观图片信息、判别是否存在脊柱畸形并评价其严重程度，最终给出风险报告及相应医疗建议。现行的脊柱畸形筛查方法需要训练专业人员操作，且存在成本高、耗时长及阳性预测率不理想等问题，本筛查系统及方法弥补了现行筛查方法的缺陷，简单易行，无需训练专业人员操作，可解决大规模脊柱畸形筛查难以施行的困境。

技术领域

本发明涉及脊柱畸形筛查领域，具体涉及一种基于深度学习的脊柱畸形筛查系统及方法。

背景技术

脊柱畸形是骨科最常见的致残性畸形，该病早期隐匿但发展迅速，引起明显的外观畸形。文献报道其发病率为2-4％，申请人对广州市部分学校的筛查结果显示其发病率达5.14％，全国中小学生人数共超过20000万人，若按此发病率计算横断面患儿人数将达到1103.87万人。然而，由于缺乏明显症状且学校体检不包括骨骼系统，患儿在疾病初期常被忽视；一旦延误诊治致畸形进展只能通过手术治疗来降低并发症及死亡风险，不仅导致患者术后脊柱活动度永久丢失，还给家庭和社会带来重担。故脊柱畸形的早期筛查诊断具有重要意义，也是当前迫切需要解决的问题。

现行的脊柱畸形筛查方法主要有两种，1)双层人工筛查：第一层通过可疑体征及脊柱畸形测量尺上的读数综合判断，将可疑患者送至第二层筛查，再次使用上述方法检查后仍可疑的患者建议拍摄X线确诊，代表性文献中该方法对于20度以上脊柱畸形的阳性预测率为17.4％；2)人工加云纹图筛查：第一层通过可疑体征及脊柱畸形测量尺上的读数综合判断，将可疑患者送至第二层筛查进行云纹图筛查，二次筛查后仍可疑的患者建议拍摄X线确诊，代表性文献中该方法对于20度以上脊柱畸形的阳性预测率为36.5％。两种方法在大范围筛查时都需要大量的人力物力成本，操作人员均需经过专业培训，较低的阳性预测率意味着大量本无需拍摄X线的受试者也受到了射线辐射，复杂的流程意味着医疗资源的分配也会对筛查的可行性造成影响。一个理想的脊柱畸形筛查方法需要具备以下要素：安全、方便、敏感、有效、效价比高，现行的两种方法显然不能满足以上要求。

发明内容

为了克服现有技术的缺陷，本发明提供一种基于深度学习的脊柱畸形筛查系统及方法，可自动分析获取到的人体外观照片进行从而实现脊柱畸形筛查分类，弥补了现行筛查方法的缺陷，简单易行，无需训练专业人员操作，提高了筛查效率，大大降低了人群受到的无效辐射，解决大规模脊柱畸形筛查难以施行的困境。

为了达到上述目的，本发明是这样加以解决的：一种基于深度学习的脊柱畸形筛查系统，至少包括：

处理分析模块，其中预置有若干深度学习模型，通过该深度学习模型对脊柱外观图片进行分析处理，得出分析结果。

深度学习能够非常有效地从大量有标签数据中自动深度提取数据的特征信息，充分挖掘数据的内在属性和有价值的表征数据，然后组合低层特征为更加抽象的高层特征，而高级特征则是数据更高级、更本质的描述，由此可以在分类问题上得到更优的结果，这为我们提供了一种利用大量临床样本来训练高敏感性、特异性及一致性的脊柱畸形筛查工具，可以用于解决目前脊柱畸形筛查中的困境。相比于现有技术中通过人工筛查，提高了筛查效率，而且人工筛查为了确保较高的预测率，需要更多疑似患病的患者拍摄X线确诊，深度学习能够达到更高的预测率，所以需要拍摄X线确诊的人数会更少，大大降低了人群受到的无效辐射。其中的分析结果可包括：是否有脊柱畸形、畸形严重程度、脊柱畸形风险报告及相应的医疗建议，指导用户合理转诊及随诊。

进一步地，所述处理分析模块中预置有若干深度学习模型，处理分析模块包括：

处理模块，用于通过深度学习模型对脊柱外观图片进行预处理；

分析模块，通过深度学习模型对预处理后的脊柱外观图片进行分析处理，得出分析结果。