编辑推荐：
在膝骨关节炎（KOA）治疗中，预测未来膝关节健康状况十分关键。研究人员结合膝关节形态与已知风险因素，利用机器学习模型进行研究。结果显示，合并模型预测效果最佳。这为 KOA 的预防和个性化治疗提供了新途径。
膝骨关节炎（KOA）是一种常见的膝关节退行性疾病，严重影响患者的生活质量。目前，KOA 的治疗面临诸多挑战，由于无法治愈，病情往往会发展到需要进行全膝关节置换手术（TKR）的程度，而这种被动的治疗方式不仅昂贵，还会给患者带来较大的身心负担。此外，现有的临床方法难以预测未来膝关节的健康状况，这使得预防措施难以精准实施。在 KOA 的预测研究中，虽然已有多种基于机器学习（ML）的方法被提出，但大多集中于二元预测（无 KOA 与有 KOA），多分类预测的研究较少，且存在模型依赖长期临床试验、预测因子主观性强或获取困难等问题。因此，寻找一种准确、便捷且经济的预测方法迫在眉睫。
为了解决这些问题，来自芬兰东芬兰大学（University of Eastern Finland）等机构的研究人员开展了一项旨在利用广泛可及且成本效益高的 X 光片（radiographs）来预测 KOA 严重程度的研究 。他们结合膝关节形态与年龄、身高、体重等已知风险预测因子，通过建立机器学习模型进行研究。研究结果表明，基于 X 光片的膝关节形态测量能够有效预测 KOA 的严重程度，且合并人口统计学和膝关节形态预测因子的模型表现最佳。该研究成果发表在《Annals of Biomedical Engineering》上，为 KOA 的早期预测和个性化治疗提供了新的思路和方法，有望改善当前 KOA 的管理策略。
研究人员在开展此项研究时，主要运用了以下关键技术方法：
- 数据来源：使用 Osteoarthritis Initiative（OAI）数据库中的数据，该数据库包含了大量与骨关节炎相关的信息，为研究提供了丰富的样本。
- 模型构建：采用两阶段机器学习模型，结合平衡随机森林（Balanced Random Forest，BRF）算法进行预测。这种模型将多分类预测任务拆分为两个二元预测任务，有效提高了预测的准确性。
- 模型评估：运用分层 10 折交叉验证（Stratified 10-fold Cross-Validation，CV）评估模型性能，并通过重复 25 次来减少训练 / 测试划分带来的方差。同时，使用平衡准确率（Balanced Accuracy，BA）和加权 F1（Weighted F1，WF1）分数作为评估指标，全面衡量模型在不平衡类别分布下的预测能力。
下面介绍具体的研究结果：
- 预测因子分析：通过 SHapley Additive ExPlanations（SHAP）分析发现，在第一阶段预测中，KL 基线和体重是最重要的预测因子，此外还有外侧关节间隙、年龄和胫骨远端宽度；在第二阶段预测中，KL 基线依然最为重要，体重的重要性下降，而内翻 - 外翻角（varus-valgus angle）的重要性上升。
- 模型性能比较：研究训练了三个不同的模型，分别是仅使用人口统计学预测因子的 SD 模型、仅使用膝关节形态预测因子的 Image 模型以及结合两者的 Merged 模型。结果显示，Merged 模型的 WF1 分数达到 78.3% ± 2.6% ，BA 分数达到 68.2% ± 6.1%，在三个模型中表现最佳；SD 模型次之；Image 模型的性能指标最低。统计分析表明，Merged 模型的性能显著优于 SD 模型和 Image 模型。
研究结论和讨论部分指出，该研究成功建立了基于 X 光片的机器学习模型来预测 KOA 的严重程度。研究发现，膝关节的尺寸和角度在预测中表现良好，这意味着在该预测目的下，无需使用 MRI。通过可扩展的方法，该模型有望为预测未来膝关节的完整性和状况提供新的、简便的技术，进而通过预防措施改善当前 KOA 的管理策略。然而，该研究也存在一定的局限性，如未使用外部数据集进行验证，可能导致模型性能估计存在偏差；研究中排除了膝关节受伤的个体，但可能存在一些未引起疼痛的轻微软骨损伤未被检测到；膝关节尺寸测量存在一定的主观性和可变性。尽管如此，这项研究仍然为 KOA 的预测和治疗开辟了新的方向，未来研究可以在克服这些局限性的基础上进一步深入探索，为 KOA 患者带来更多的希望。
