基于多模态MRI与KNN算法的膝关节髌下脂肪垫病变精准识别研究

本研究针对膝关节髌下脂肪垫（IFP）病变诊断复杂性问题，提出了一种结合多模态MRI（mDixon-Quant和T2 mapping）与K近邻（KNN）算法的创新方法。通过特征工程构建18维特征集，模型在训练集和测试集分别达到94.736%和92.857%的分类准确率，显著优于CNN-Class8基准。该技术为膝关节病变早期诊断、术后评估提供了高精度自动化工具，具有重要临床转化价值。

　　

膝关节疾病是全球范围内导致中老年人疼痛和行动障碍的主要健康问题，其中髌下脂肪垫（Infrapatellar Fat Pad, IFP）病变因解剖结构复杂，传统诊断方法存在主观性强、早期病变检出率低等挑战。磁共振成像（MRI）虽是金标准，但常规技术对微小病理变化敏感度不足，且人工解读易受经验影响。针对这一临床痛点，贵州医科大学附属医院影像科联合德江县人民医院的研究团队在《Scientific Reports》发表论文，开发了基于多模态MRI与机器学习的新型诊断系统。

研究采用3.0T Philips MRI扫描仪，整合mDixon-Quant（mDQ）和T2 mapping（T2m）技术获取脂肪分数（FF）、T2*和T2值等定量参数。通过招募109例受试者（含退化组37例、创伤组38例和正常组34例），构建包含3500张膝关节影像的多中心数据集。采用特征工程生成15种衍生特征（如复合特征F₁=f₁+f₂、多项式特征F₇=f₁²），结合KNN算法实现病理分类。

多模态MRI分析揭示膝关节病变特征差异
伪彩色成像显示：正常组FF分布均匀（0.85±0.23），创伤组FF显著降低至0.68±0.13（p<0.001），退化组呈现不规则异质性。T2*值在创伤组（21.75±4.61ms）和退化组（22.21±3.68ms）均低于正常组（30.10±5.53ms），三维特征空间可视化证实各组存在明显聚类倾向。

KNN模型性能优化与验证
通过K值调优（图3B）确定最佳参数后，模型在测试集实现92.86%准确率（表4），对创伤组识别召回率达92.51%。特征融合策略使AUC提升至0.951（表5），显著优于未工程化特征的基线模型（AUC=0.892）。混淆矩阵（图4A）显示主要误判发生于创伤与退化组间（占错误63.2%），与临床中急性期骨髓水肿鉴别困难的特点一致。

结论与展望
该研究首次将KNN算法与mDQ/T2m多模态参数结合，通过创新性特征工程突破传统机器学习在高维医学影像中的局限。相较于深度学习模型，KNN在小样本条件下展现更好鲁棒性，且计算效率更适合临床部署。未来可通过扩大样本量、引入迁移学习进一步提升模型泛化能力，为关节软组织病变智能诊断建立新范式。