恭喜本實驗室脊椎側彎診斷系統的研究成果榮登整形外科醫學專業期刊European Spine Journal (SCI Q2, IF=2.7)！

論文題目：Multi-task learning for classification and prediction of adolescent idiopathic scoliosis based on fringe-projection three-dimensional imaging

青少年原發性脊柱側彎的傳統評估依賴於放射線影像，這會讓病患暴露在游離輻射中，且在使用單一任務的深度學習模型時，其通用性不足。為此，我們開發了一種非侵入性、無輻射的診斷框架，該框架整合了條紋投影輪廓術（fringe projection profilometry）與在多任務學習範式（multi-task learning paradigm）下訓練的深度學習模型。此框架能同時估計三個關鍵的臨床指標：柯氏角（Cobb angle）、主要曲線位置（胸椎、腰椎、混合或無），以及曲線方向（左、右或無）。我們擷取並分析了結構化的背部表面幾何形狀，使模型能夠學習跨任務的共享形態表徵。此多任務模型在柯氏角預測上，平均絕對誤差（MAE）為2.9°，均方根誤差（RMSE）為6.9°；優於單一任務的基準模型，其對應誤差為5.4°和12.5°。與放射線黃金標準的相關性也很強，相關係數為0.96，決定係數為0.91。在曲線位置分類方面，該模型在腰椎和混合類別中均達到89%的敏感度，與單一任務方法相比，其特異性和預測值也有所提升。在曲線方向分類方面，右側曲線的敏感度達到80%，左側曲線為75%，右側畸形的陽性預測值為87%。這些發現證明了聯合學習相關任務在提取具臨床意義的幾何特徵方面的優勢。未來仍需在更大、更多樣化的資料集上進行進一步驗證，以確認其通用性，並支持其在臨床實踐中用於長期脊柱側彎監測。

論文全文網址：https://link.springer.com/article/10.1007/s00586-025-09340-8