基于膝关节正位X线应用深度学习构建胫股关节骨关节炎的自动诊断模型

作者：额·图娅; 李晓庆; 孙兆男; 张耀峰; 孙玉梦; 张晓东; 王霄英^*

来源：临床放射学杂志, 2023, 42(08): 1298-1303.

DOI：10.13437/j.cnki.jcr.2023.08.026

• 膝关节
• 骨关节炎
• X线摄影
• 深度学习
• 分类

目的 探索深度学习方法基于膝关节正位X线构建自动诊断并分级胫股关节骨关节炎(TFOA)诊断模型。方法 搜集5837幅膝关节前后位的X线图像，按照8∶1∶1的比例随机分为训练集、调优集和测试集。以两位医师依据凯尔格伦-劳伦斯(K-L)分级及国际骨关节炎研究协会(OARSI)分级系统共同阅片结果分别作为TFOA及其影像特征[骨赘(OST)及关节间隙狭窄(JSN)]分类模型的参考标准。利用高分辨率网络(HRNet)算法建立上述对应的二分类诊断[K-L 0～1(无TFOA) vs.K-L 2～4(有TFOA);OARSI 0(无OST/JSN)vs.OARSI 1～3(有OST/JSN)]及多分类分级模型(K-L 0～4,分别代表无、可疑、轻度、中度及重度TFOA;OARSI 0～3,依次代表无、轻度、中度及重度OST/JSN)。以受试者工作特征曲线(ROC)、查准率-查全率曲线(P-R)及混淆矩阵评价模型的分类效能。结果 在测试集中，二分类模型诊断TFOA、OST及JSN的曲线下面积(AUC)为0.95～0.99、P-R的AUC为0.86～0.98;多分类模型在分级TFOA、OST及JSN中的宏准确率为0.90～0.98、敏感度为0.09～0.99、特异度为0.69～1.00。结论 以HRNet为基础架构的模型可自动诊断并分级TFOA、OST及JSN,其二分类诊断效能较高，多分类则对病变程度分级提供了可能性。

• 单位
  北京大学第一医院