基于多模态特征回归的膝骨关节炎计算机辅助诊断模型研究

为解决膝骨关节炎(KOA)诊断中医生主观因素影响准确性的问题，研究人员开发了一种基于X射线图像多模态特征回归(MFR-KOA)的计算机辅助诊断模型。该模型整合了图像内容特征（如骨间隙、骨皮质厚度）和患者医疗信息（年龄、性别等），通过支持向量回归(SVR)建立特征与K-L分级的映射关系。实验结果显示，模型对KOA存在性诊断准确率达98.42%±0.11%，K-L分级准确率达85.06%±0.49%，显著优于现有深度学习方法，为临床提供了一种高效、低成本的辅助诊断工具。

　　

膝骨关节炎(KOA)作为最常见的退行性关节疾病，正随着人口老龄化加剧成为全球公共卫生挑战。患者常因早期症状隐匿而延误治疗，最终需接受全膝关节置换术(TKA)，造成身心和经济多重负担。目前，X射线成像是诊断KOA的主要手段，但其解读高度依赖医生的经验，存在主观性强、工作量大等问题。尽管深度学习模型如ResNet和YOLOv2已应用于KOA诊断，但其需要海量数据且缺乏可解释性。

针对这些痛点，宁波市第二医院联合中国科学院大学华美医院的研究团队在《Medical Engineering & Physics》发表了一项创新研究。他们提出了一种基于多模态特征回归(MFR-KOA)的计算机辅助诊断模型，通过融合图像特征与临床数据，实现了高精度、可解释的KOA诊断。研究团队首先建立了包含1200张膝关节X光片的NDKY-N2H数据库，随后开发了包含图像增强和诊断区域定位的预处理模块，创新性地设计了低熵块比率、多尺度纹理强度等图像特征，并结合患者年龄、性别等医疗信息，利用支持向量回归(SVR)构建诊断模型。

关键技术方法包括：1) 基于显著性检测和张量分解的X射线图像预处理；2) 从图像内容提取低熵块比率等新型特征；3) 整合医疗信息构建多模态特征向量；4) 采用9折交叉验证评估模型性能。

主要研究结果

1. 模型诊断效能：MFR-KOA对KOA存在性诊断准确率达98.42%±0.11%，K-L分级准确率85.06%±0.49%，显著优于文献报道的CNN模型(66.71%)和Efficient Net架构(71.4%)。
2. 特征贡献分析：图像内容特征（如骨间隙测量）与医疗信息特征（如年龄）的协同作用使模型具有生物学可解释性。
3. 临床应用价值：模型在资源有限地区尤其适用，仅需常规X光片即可实现精准分级，避免了昂贵的MRI检查。

结论与意义
该研究通过多学科交叉创新，将传统图像处理技术与机器学习相结合，突破了现有KOA诊断模型的局限性。MFR-KOA不仅显著提升了诊断准确性，其模块化设计（预处理-特征提取-决策融合）为其他医学影像辅助诊断提供了范式。研究团队特别指出，模型在基层医院的推广有望缓解医疗资源分布不均问题，而特征可解释性增强了临床医生的信任度。未来工作将探索模型与电子病历系统的深度集成，进一步优化诊疗流程。

（注：作者信息保留原文格式，Zewen Shi、Fang Yang和Rongyao Yu为共同第一作者，Zhewei Ye、Yang Song和Lin Shi为共同通讯作者；基金编号如2024M751545等按原文呈现）