使用深度特征工程从足部侧位X线片检测跟骨骨刺

为什么脚跟疼痛与智能计算机重要

脚跟痛是人们就诊骨科门诊的最常见原因之一，常常让每一步都感到不适。一个常见原因是位于脚跟的微小骨性突起，称为跟骨骨刺，通常可在常规的足部侧位X线片上看到。解读这些影像有时出乎意料地困难，尤其是在早期疾病时，并非每家医院都有经验丰富的放射科专家。该研究提出了一种简化的计算机方法，能够在普通X线片上可靠识别这些骨刺，即使只有有限数量的图像，也能发挥作用，可能为医生和患者提供更快、更一致的帮助。

什么是跟骨骨刺以及为何难以识别

跟骨骨刺形成在足底筋膜（连接足底的强韧组织带）附着于跟骨处。年龄、超重、长时间站立和反复的小损伤都会增加其发生风险。医生通常从简单的足部侧位X线片开始评估，因为它快速、费用低且广泛可得。问题在于，早期骨刺在形态上可能与正常的跟骨外形非常相似，影像质量或足位的细微变化也可能产生类似骨刺的阴影。不同的放射科医生可能对同一张X线片得出不同解读，在这种情况下，计算机辅助系统可以提供第二意见。

一种从少量样本教学计算机的新方法

现代被称为深度学习的人工智能系统已经改变了医学影像分析，但它们通常需要数千张带标签的图像和强大的图形处理器才能表现良好。在真实临床环境中，尤其是针对像跟骨骨刺这样的特定病症，通常仅有数百张精心整理的图像可用且计算资源可能有限。作者通过所谓的“深度特征工程”来应对这一挑战：他们不是端到端训练一个非常大的模型，而是重用19个现有图像识别网络的知识，然后谨慎地选择并组合每个网络学到的内容。该策略旨在捕捉丰富的视觉线索，同时保持整体系统足够轻量，适合日常使用。

多步骤系统如何工作

研究团队收集了来自单一医院的775张去标识化足部侧位X线片，其中316张被两位经验丰富的临床医生一致判定为无骨刺，459张判定为有跟骨骨刺。每张图像都进行了大小调整，但否则保持完整，以便分析整个脚而不仅仅是裁剪区域。首先，每张图像通过19个不同的预训练神经网络处理，这些网络最初在大型通用图像数据库上训练。从每个网络中，研究者提取了一个数值指纹或特征集，总结该网络“观察”跟部区域的方式。接着，他们使用迭代选择方法将每个大型指纹修剪为更小的、最具信息性的特征子集，剔除那些冗余或嘈杂且对区分有无骨刺无帮助的测量。

把许多小投票合成为一个强有力的决定

一旦这些精简的特征集准备就绪，它们被输入到一种特殊变体的简单且直观的分类器——k近邻（k-nearest neighbors）中，该方法通过查看最相似的历史样本来判断新病例。作者将这一思路扩展为一个集成方法：他们尝试了多种距离度量和邻居数量，然后使用重复多数投票来融合众多候选决策。最后一步使用贪婪选择，挑出在交叉验证测试中表现最佳的组合。总体而言，该框架达到93.42%的准确率，对实际存在骨刺的病例具有特别高的敏感性。换句话说，该方法更有可能将正常跟骨误判为病变（漏诊正常的风险低），而不是漏检骨刺，在筛查情境中这通常是更安全的权衡。

结果对脚跟疼痛以外的意义

为确保系统关注的是正确部位，研究人员可视化了网络关注的区域，发现注意力集中在跟骨下侧——骨刺预期形成的位置。他们还表明，谨慎地组合多个网络优于任何单一网络，并且当将该框架应用于另一个更复杂的细胞图像数据集时也出现了类似的提升。由于该方法可在不使用显卡的标准计算机上运行，并且在部署时只使用少数网络，因此有望作为后台助手实际加入医院工作流程。对患者而言，这并不能替代专家判断，但可能意味着对常见X线片的读片更加一致，当无骨刺时更快得到安慰，并为需要决定如何处理顽固脚跟痛的医生提供更好的支持。

引用: Demir, S., Can, B., Goktas, O.F. et al. Calcaneal spur detection from lateral foot radiographs using deep feature engineering. Sci Rep 16, 14125 (2026). https://doi.org/10.1038/s41598-026-44671-6

关键词: 脚跟疼痛, X 射线成像, 医疗人工智能, 骨赘, 计算机辅助诊断