基于深度学习的婴儿姿势对称性评估：计算机视觉助力早期发育筛查

本文主要探讨了"基于计算机视觉的婴儿姿势对称性评估系统"的研发与应用。在这个研究中，作者关注的是婴儿双侧姿势对称性在自闭症谱系障碍（ASD）潜在风险标志和先天性肌性斜颈（CMT）症状检测中的重要性。传统的临床评估方法往往依赖于专业医生的主观判断，这在精确性和一致性上存在局限。 研究团队利用了SyRIP数据集和模型代码，这些资源可以从GitHub上的开源项目获取，链接为<https://github.com/ostadabbas/Infant-Postural-Symmetry>。该数据集包含婴儿的三维人体姿势信息，这对于婴儿姿势的准确评估至关重要。 研究人员针对婴儿姿势的对称性和角度进行了深入研究，发现人类评级在一致性方面存在问题，评级者间存在较低的可靠性。为了解决这一问题，他们开发了一种贝叶斯估计的地面真相模型，该模型基于概率图形模型，考虑了人类评分的易犯错误特性。通过比较，三维婴儿姿势估计模型在评估婴儿身体对称性上的表现优于2D模型（68%的接收器工作特征曲线）和3D成人模型（60%），这强调了在婴儿领域特别是3D姿态估计技术的重要性。 调查还揭示了人类评级受偏差和不一致性的较大影响。因此，研究团队最终开发的对称性评估系统并未直接依赖于贝叶斯综合人类评级，而是经过校准，旨在提高评估的一致性并减少肢体间评估偏差，这对于早期筛查神经发育疾病具有实际意义。 这项研究通过计算机视觉技术，尤其是三维人体姿势估计，提供了一种高效、客观的婴儿姿势对称性评估工具，有助于早期识别和干预可能的风险因素，如ASD和CMT，从而改善儿童的健康管理和预后。