基于机器学习模型评估关节摩擦音诊断膝关节半月板损伤的应用价值

作者：胡波; 沈洋; 曹守宇; 耿宝峰; 林枫; 郭新年^*; 覃健^*

来源：中华创伤杂志, 2023, 39(12).

• 半月板, 胫骨
• 运动损伤
• 噪声
• 诊断
• 机器学习

目的探讨基于机器学习模型评估关节摩擦音诊断膝关节半月板损伤的应用价值。方法采用病例对照研究分析2020年8月至2022年10月南京医科大学附属逸夫医院收治的17例半月板损伤(半月板损伤组)和招募的75例无膝关节疾病健康受试者(健康组)的临床资料。在相对安静(峰值不超过40 dB)的环境下采集受试者膝关节摩擦音, 将屈-伸-屈运动方式下所得关节摩擦音分割后得到的音频按4∶1的比例进行随机分层抽样, 得到训练集(半月板损伤组125段, 健康组187段)和测试集(半月板损伤组33段, 健康组47段);将坐-站-坐运动方式下所得关节摩擦音分割后得到的音频按4∶1的比例进行随机分层抽样, 得到训练集(半月板损伤组81段, 健康组164段)和测试集(半月板损伤组20段, 健康组40段)。建立线性核支持向量机、径向基函数支持向量机、随机森林和极端随机树4种机器学习模型。分别对训练集数据进行模型的学习训练, 通过测试集数据对模型性能进行验证。记录受试者单次采集所需时间和数据分析判读所需时间。分别在试验前及试验后1 d采用Lysholm评分评估受试者膝关节功能。根据测试集结果比较两种运动方式下关节摩擦音诊断半月板损伤的准确率得出更优运动方式。基于更优运动方式下4种模型下所得关节摩擦音诊断半月板损伤的准确率、灵敏度、特异度、F1分数、受试者工作特征曲线下面积(AUC)比较模型的有效性, 找出适合本研究数据框架的最佳机器学习模型。观察更优运动方式的最佳机器学习模型下关节摩擦音对半月板损伤的诊断准确率、误诊率及漏诊率。结果单次关节摩擦音采集所需时间为5～10 min[(7.1±1.3)min], 数据分析判读所需时间约为1 min。试验前后膝关节Lysholm评分半月板损伤组分别为(75.6±4.0)分和(77.7±3.7)分(P>0.05), 健康组分别为(99.6±0.9)分和(99.5±1.0)分(P>0.05)。在线性核支持向量机的模型下, 屈-伸-屈和坐-站-坐运动方式的诊断准确率分别为0.775和0.817, 径向基函数支持向量机模型下的诊断准确率分别为0.813和0.900, 随机森林模型下的诊断准确率分别为0.800和0.867, 极端随机树模型下的诊断准确率分别为0.800和0.900, 坐-站-坐的诊断准确率均高于屈-伸-屈。在坐-站-坐运动方式下, 极端随机树模型的诊断准确率为0.900、灵敏度为0.900、特异度为0.950、F1分数为0.900、AUC为0.942, 均高于其余3种模型, 极端随机树表现出更好的机器学习效能。在坐-站-坐运动方式下的极端随机树模型中, 60段测试集音频(半月板损伤组20段, 健康组40段)诊断为半月板损伤组22段(真阳性18段, 假阳性4段), 健康组38段(真阴性36段, 假阴性2段)。关节摩擦音诊断半月板损伤的准确率为0.900, 误诊率为0.100, 漏诊率为0.100。结论关节摩擦音诊断半月板损伤可缩短诊断时间, 增强检查过程的安全性, 其基于机器学习的人工智能的诊断模式更加快速、稳定, 可以作为膝关节半月板损伤的诊断标志物。

• 单位
  宿迁学院; 南京医科大学