基于混合Transformer架构的膝骨关节炎智能分级系统：提升放射影像诊断准确性与可解释性

针对膝骨关节炎(KOA)临床分级主观性强、早期诊断困难等问题，研究人员开发了融合Vision Transformer(ViT)、Swin Transformer和FasterViT的深度学习框架KOA-NET。通过特征串行融合与混合选择策略，在8,260例X光数据中实现97.03%分类准确率，结合SHAP等可解释技术为临床决策提供可靠AI支持。

　　

膝骨关节炎(Knee Osteoarthritis, KOA)作为困扰全球老年人的主要致残性疾病，其诊断仍高度依赖医生对X光片中关节间隙狭窄(Joint Space Narrowing, JSN)、骨赘等特征的肉眼评估。尽管KL(Kellgren-Lawrence)分级标准已沿用60余年，但不同医师间评估一致性仅0.67-0.73，且早期病变的细微特征极易漏诊。更棘手的是，传统卷积神经网络(CNN)模型难以捕捉病变的渐进性特征，而现有AI系统多忽视KL分级固有的序数特性。

为此，研究人员创新性地构建了KOA-NET混合深度学习框架。该研究通过整合三种先进Transformer模型——ViT捕捉全局特征、Swin Transformer提取分层特征、FasterViT优化局部细节，首次实现膝关节多尺度特征的协同解析。采用串行融合策略结合互信息-遗传算法混合筛选，从8,260例Osteoarthritis Initiative(OAI)数据集X光片中提取最具鉴别力的特征。实验显示系统分类准确率达97.03%，Cohen’s kappa系数0.98，显著优于现有技术。通过LayerCAM和SHAP等可解释技术，首次可视化出骨赘与软骨下硬化(subchondral sclerosis)等关键病变区域的决策依据。相关成果发表于《Engineering Science and Technology, an International Journal》。

关键技术包括：1)采用ViT/Swin/FasterViT三模并行特征提取；2)基于互信息与遗传算法的混合特征选择；3)五折分层交叉验证；4)SHAP可解释性分析。

【Results and discussion】

1. 分类性能：在KL 0-4级分类中，混合模型MAE(平均绝对误差)仅0.0312，较单模型提升23%；
2. 特征分析：ANOVA验证骨纹理特征(p<0.01)和关节几何参数(p<0.05)具有组间显著性差异；
3. 可解释性：SHAP揭示软骨下囊肿(cyst formation)对晚期分级贡献度达41.7%。

【Conclusion】
该研究突破性地将Transformer架构引入KOA诊断，通过特征融合与选择解决了传统CNN对序数特征建模不足的缺陷。临床意义在于：1) 降低对医师经验的依赖；2) 早期诊断准确率提升35%；3) 可视化决策增强临床可信度。未来可扩展至MRI多模态分析，为精准医疗提供新范式。