
-
生物通官微
陪你抓住生命科技
跳动的脉搏
深度学习方法在 Kellgren-Lawrence 膝关节骨关节炎分级中的性能比较:一项多中心研究
《Journal of Imaging Informatics in Medicine》:Comparison of the Performances of Deep Learning Methods in Kellgren-Lawrence Classification of Knee Osteoarthritis: A Multicenter Study
【字体: 大 中 小 】 时间:2026年10月15日 来源:Journal of Imaging Informatics in Medicine 3.1
编辑推荐:
摘要膝骨关节炎(OA)会引起疼痛、僵硬和膝部功能障碍等症状;在其诊断中,除体格检查外,还使用普通膝关节X线片。本研究旨在比较预训练深度学习模型在膝OA分类中的表现,并评估侧位膝关节X线片和患者临床数据对这些模型性能的影响。共有八个中心参与了本研究;其中六个中心的X线片用于模型
膝骨关节炎(OA)会引起疼痛、僵硬和膝部功能障碍等症状;在其诊断中,除体格检查外,还使用普通膝关节X线片。本研究旨在比较预训练深度学习模型在膝OA分类中的表现,并评估侧位膝关节X线片和患者临床数据对这些模型性能的影响。共有八个中心参与了本研究;其中六个中心的X线片用于模型的训练、验证和测试,两个中心的X线片用于外部验证。除前后位(AP)和侧位膝关节X线片外,还收集了患者的年龄、性别、身高和体重等临床信息。研究共纳入1550名患者。本研究比较了VGG-16、ResNet-50、DenseNet-121、Inception_v3和EfficientNetb0等深度学习模型在膝OA分类中的表现。VGG-16模型的绩效指标显著高于其他竞争架构(p < 0.001),其准确率为0.73,灵敏度为0.72,特异度为0.93,F1评分为0.72,阳性预测值(PPV)为0.72,二次加权Kappa值为0.91,AUC为0.93。使用VGG-16模型进行特征提取,将患者的年龄、性别和BMI等临床特征添加到图像特征集中,并使用机器学习算法进行分类。XGBoost分类器在绩效指标上仅显示出1–2%的统计学无显著性提升。在仅使用AP膝关节X线片的研究中,VGG-16模型获得了相似的表现结果。使用两个中心的X线片进行外部验证时,VGG-16模型的准确率为0.65,灵敏度为0.65,特异度为0.91,PPV为0.67,F1评分为0.65,二次加权Kappa值为0.88,AUC为0.90。将年龄、性别和BMI等临床特征添加到膝关节X线片图像特征集中,并未显著提升模型性能。此外,将侧位X线片添加到AP膝关节X线片集中,也未对KL分级性能产生任何额外贡献。