基于异常检测原理的膝关节骨关节炎连续分级AI系统：少标签自监督学习新方法

研究人员针对膝关节骨关节炎(Knee OA)现有分级系统主观性强、自动化方法依赖大量标注数据的问题，提出了一种基于异常检测(AD)原理的三阶段连续分级方法SS-FewSOME。该方法仅需健康样本和<3%的标注数据，通过自监督学习(SSL)建立健康膝关节X光表征，结合CLIP模型去噪和双中心表征学习(DCRL)，实现了OA检测准确率提升24%，KL分级相关性达专家水平，为临床提供了一种高效、客观的自动化诊断方案。

　　

膝关节骨关节炎（Osteoarthritis, OA）是全球最常见的关节疾病，影响着超过2.5亿人。目前临床主要采用Kellgren-Lawrence（KL）五级分级系统和OARSI图谱标准进行诊断，但这些系统存在明显局限性：KL系统分级间界限模糊，不同医师间诊断一致性仅0.51-0.89；OARSI标准依赖主观描述的"可能"骨赘等术语；更重要的是，现有AI方法直接模仿这些有缺陷的系统，且需要数万张标注影像，既昂贵又可能放大原有偏差。

针对这些挑战，研究人员开发了一种创新性的三阶段解决方案。该方法核心思想是将OA严重程度评估转化为异常检测问题——健康膝关节X光构成"正常"表征空间，病变程度通过偏离该空间的距离来量化。研究发表在《Artificial Intelligence in Medicine》，为临床提供了一种更客观、高效的自动化诊断工具。

研究方法包含三个关键技术：1）SS-FewSOME阶段使用自监督学习和<30个标注样本建立健康膝关节表征；2）利用训练模型对未标注数据进行伪标记，并通过CLIP模型去除金属植入物等干扰因素；3）DCRL阶段同时学习正常和异常两个表征空间中心。数据来自骨关节炎倡议(OAI)的8,130张膝关节X光，确保患者级数据分割避免泄漏。

研究结果部分，4.1节显示SS-FewSOME通过对比学习成功构建了健康膝关节的紧凑表征空间。4.2节证实CLIP模型能有效识别并排除含金属植入物的"假异常"样本，提高伪标签质量。4.3节验证DCRL可同时学习正常(RS_norm)和异常(RS_OA)表征空间，其中训练时加入不同严重程度伪标签的模型展现出最佳鲁棒性。

特别值得注意的是，该方法在OA检测任务上以81.0%的准确率超越现有最佳方法24.3%，且与KL分级的相关性达到人类专家水平。技术突破在于仅需传统方法3%的标注数据，避免了大规模标注需求，使资源有限地区也能应用先进诊断技术。

讨论部分强调，这项研究首次将异常检测原理成功应用于OA连续分级，突破了传统分类方法的局限性。通过创新的三阶段设计，系统既减少了对有偏标注数据的依赖，又提高了对局部病变（如骨赘）的敏感性。SS-FewSOME的模块化架构可扩展至其他医学影像分析领域，而CLIP辅助的去噪机制为处理临床常见干扰因素提供了新思路。从临床转化角度看，该方法显著降低了高质量标注数据的获取门槛，有助于提升医疗资源公平性，为OA的早期诊断和精准监测提供了可靠工具。