運用人工智慧輔助旋轉肌袖肌腱炎與粘連性肩關節囊炎之動作檢測與診斷

肩關節為人體活動度最大之關節，能夠大幅度的轉動，且使用率高，使肩關節易發生病變導致疼痛。旋轉肌袖肌腱炎 (Rotator Cuff Tendinitis, RCT) 與粘連性肩關節囊炎 (Adhesive Capsulitis, AC)，皆為常見的肩關節疾病，兩疾病症狀相似，治療方式截然不同，因此通常需要理學檢查以及X光、超音波或磁振造影等影像學檢查才能準確診斷。
本研究透過影像方式，利用MediaPipe進行姿態評估，獲得頭部、肩部、手部、軀幹及下肢等全身關節點位 (Landmarks)，計算受試者於肩關節檢測運動中的角度、速度、穩定度等資訊，將資訊輸入SVM、Random Forest、XGBoost、LightGBM、AdaBoost等五種機器學習方法比較，以RFECV對轉換出之特徵進行篩選，且為使兩組資料平衡，採用過採樣技術 - Borderline SMOTE對資料增量，最終選用LightGBM建立預測模型，AUROC達0.814，F1-score達0.884。此模型可輔助復健科醫師診斷肩關節疾病，並即時提供患者檢測運動時的數據，協助評估病情，也可協助一般使用者自行做初步檢測。