基于EfficientNetB3的不确定性感知由粗到细深度学习框架用于膝骨关节炎严重程度评估的内部验证

《Bioengineering》：Internal Validation of an Uncertainty-Aware Coarse-from-Fine Deep Learning Framework for Knee Osteoarthritis Severity Assessment

　　

放射学评估膝骨关节炎（KOA）在Kellgren–Lawrence（KL）量表相邻分级差异细微且模型预测不确定时仍具挑战性。研究人员在一项回顾性内部验证研究中评估了一种基于EfficientNetB3的"由粗到细（coarse-from-fine）"方法。该混合模型学习原始KL 0–4标签，随后将其映射为无OA（Non-OA）、轻–中度OA（Mild–Moderate OA）和重度OA（Severe OA）。研究人员将其性能与直接在同一三个类别上训练的模型进行比较。数据集包含8260张放射影像，归入4130个文件名衍生分组标识符（FDGI）。配对侧别文件保留在同一子集内。内部评估包括FDGI不相交的留出测试集、分组交叉验证、以种子42、123和2026进行的重复训练，以及分组自助法（bootstrap）分析。混合方法的平均准确率为0.8114 ± 0.0082，直接三分类训练为0.8118 ± 0.0027，无普遍优越性证据。基于熵的风险–覆盖率分析属探索性质，未建立经过验证的操作阈值。Grad-CAM提供定性视觉背景，而SHAP结果不确定。KneeAI作为研究原型实现。总体而言，结果支持该数据集上的技术可行性，但仍需外部验证和临床验证。

【研究背景与问题】膝骨关节炎（KOA）是慢性肌肉骨骼残疾的主要原因，与疼痛、活动受限和生活质量下降相关。放射摄影仍是结构严重程度评估的常用方法，但判读受读者经验和早期/中期病变特征细微性的影响。Kellgren–Lawrence（KL）量表以骨赘、关节间隙狭窄和软骨下骨硬化等表现将放射学严重程度概括为KL-0至KL-4，相邻类别（尤其KL-1与KL-2）可能重叠并受观察者间变异影响，既构成临床判读问题，也为计算模型带来噪声监督问题。深度学习已用于自动化KOA分级，涵盖卷积、序数、注意力、集成、Transformer、放射组学和感兴趣区等方法，但各研究在数据来源、放射视图、标签定义、划分单元、参考标准、不平衡处理和验证设置上不同，结果不能直接互换。一个重要方法学空白是：在其余条件匹配下，跨研究比较难以分离训练标签粒度对同一合并严重程度任务的影响。此外，仅用分类准确率不能刻画概率质量或识别模糊预测，不确定性与校准分析具有 complementary 价值。因此研究人员开展了一项回顾性模型开发与内部验证研究，比较EfficientNetB3在两种匹配设定下的表现：混合KL 5-to-3监督与直接三分类对照，并联合考察判别力、类别平衡、序数误差、校准诊断和探索性选择性预测，最终将工作流整合进KneeAI决策支持研究原型。研究不提出新骨干网络，不检验外部泛化性或临床有效性。

【主要关键技术方法】研究为纯计算回顾性设计，数据来自Kaggle公开的"Knee Osteoarthritis Dataset with Severity Grading"（标注KL-0至KL-4，镜像自Mendeley Data，原整理自OAI，但无法验证图像级OAI链接与临床标识）。以文件名衍生分组标识符（FDGI）为分组单元，将同数字主干的左右侧配对文件保留于同一子集，最终清单含8260张影像、4130个FDGI（每FDGI恰两张，L与R各一），固定划分为训练5282张（2641 FDGI）、调参1322张（661 FDGI）、留出内部测试1656张（828 FDGI），三者无FDGI重叠。采用SHA-256原始文件与解码像素哈希、感知哈希（pHash）分带、双向往位SSIM（阈值≥0.95）进行跨子集重复审计。模型以ImageNet预训练EfficientNetB3为共同骨干，替换自定义分类头；用Optuna贝叶斯超参数优化（10次试验，调参子集准确率为目标）；分阶段迁移学习（预热冻结骨干，有效微调上50层）；训练子集选择性过采样（KL-1×2、KL-4×4）。内部验证含四项：FDGI不相交留出测试、发育队列内五折分层分组交叉验证、同三种子（42、123、2026）匹配重训、FDGI级分组自助法（5000次）。评价指标包括总体准确率、平衡准确率、类特异性精确率/召回率/F1、一对其余AUC、Cohen kappa及二次加权kappa，并以多分类Brier分数、负对数似然（NLL）和10箱等宽期望校准误差（ECE）做概率诊断，另做熵基风险–覆盖率探索性分析、Grad-CAM与SHAP辅助归因，以及经典分类器与替代CNN骨干的辅助比较。

【研究结果】（1）数据集与内部验证设计：分析含8260张影像、4130个FDGI，固定FDGI不相交划分如上，留出测试含51张重度OA影像；全部影像成功解析与哈希，物理存档与最终清单FDGI一致、每FDGI恰两张，无缺失/多余FDGI、重复路径或读取/哈希失败；无二进制精确或解码像素精确重复组跨越子集边界；pHash分带产生150245个跨子集候选对，经pHash距离过滤与双向SSIM评估后无一达到预设近重复阈值（补充表S28）。该检查确认侧别配对去重，但不建立参与者级独立性。（2）发育队列交叉验证：五折分层FDGI分组交叉验证得准确率、平衡准确率、加权AUC、宏AUC、二次kappa与宏F1（表3），量化发育划分稳定性，非外部验证估计。（3）主要匹配三种子比较：匹配协议下混合KL 5-to-3与直接三分类总体表现相当（表4），平均准确率分别为0.8114 ± 0.0082与0.8118 ± 0.0027，配对差为?0.0004（95%配对种子级区间?0.0157至0.0209）；平衡准确率、宏F1、二次kappa、宏AUC与加权AUC在混合式数值上更高，但所有主要指标配对区间均含零，未确立优越性或等效性。各种子混合准确率为0.8158、0.8164、0.8019，直接为0.8146、0.8092、0.8116；重度OA平均召回率混合式描述性更高（0.7778对0.6928），但配对区间宽且含零。检查点审计选中混合全部Stage 2，直接种子42、123选Stage 3、种子2026选Stage 2；因两设定选择准确率在不同标签空间计算，所选阶段反映各自特异的优化与选择标准。事后敏感性分析以三分类调参准确率重选检查点后，种子42与2026的混合检查点由Stage 2移至Stage 3，种子123仍为Stage 2，混合平均准确率变为0.8105对原0.8114，直接不变（0.8118），配对平均差为?0.0013（区间?0.0162至0.0136）；表4六项指标探索性区间中五项仍含零，唯加权AUC差变为0.0060（区间0.0004至0.0116），因未校正、仅三种子对且与其他指标一并考察，不显示普遍优越性。类特异性上，三种子平均混合与直接F1为无OA 0.8560与0.8563、轻–中度OA 0.7397与0.7444、重度OA 0.7716与0.7397；重度OA混合精确率三次配对均较低（均值0.7049对0.7766）但平均召回更高（0.7778对0.6928），召回差异跨种子不一致（43/51对39/51、41/51对31/51、35/51对36/51），未显示可重复优势。（4）次要历史固定伪影类特异性与序数误差分析：该小节五分类KL结果来自单一存档历史混合预测伪影，非主要匹配三种子比较。完全正确五分类预测占65.16%，一级相邻误差占27.17%，故92.33%正确或在一个KL分级内；≥2级误差占7.67%，≥3级占0.36%，未观察到KL-0对KL-4极端误差。历史五分类混淆矩阵中296张真KL-1仅60张预测为KL-1（召回20.3%），其余预测为KL-0（140）、KL-2（88）或KL-3（8）；经五分类argmax与三分类映射后，200/296（67.6%）真KL-1留在无OA，96（32.4%）移至轻–中度OA。历史混合伪影类特异性AUC点估计为无OA 0.9163、轻–中度OA 0.8917、重度OA 0.9954；重度OA召回0.9412（48/51；精确95%CI 0.8376–0.9877）、精确率0.6575（48/73；0.5372–0.7647）、F1 0.7742（自助法95%CI 0.6857–0.8500）；未观察到重度OA至无OA错误（0/51；精确双侧95%上界0.0698），但此小样本内部观察不确立安全性。历史伪影混淆矩阵含798正确无OA、515正确轻–中度OA、48正确重度OA，误分类为无OA→轻–中度OA 137、轻–中度OA→无OA 130、轻–中度OA→重度OA 25、重度OA→轻–中度OA 3，误差集中于相邻类别。（5）可靠性与校准诊断：共同三分类概率空间内，匹配混合与直接运行平均多分类Brier分数四位小数相同（0.2093与0.2093）；平均NLL混合数值更低（0.5093对0.5115），平均ECE直接数值更低（0.0689对0.0704），所有配对区间含零；平均归一化熵混合更低（0.4357对0.4458），但低熵不意味校准更好。历史混合伪影原始三分类Brier 0.2575、NLL 0.4277、ECE 0.0463、平均归一化熵0.4690；各类Brier为无OA 0.1156、轻–中度OA 0.1302、重度OA 0.012，对应ECE为0.0557、0.0537、0.022（重度OA值经舍入以避免暗示无支撑精度）；稀疏可靠性箱与51张支撑使这些看似低值脆弱。（6）探索性选择性预测：历史混合伪影在留出测试上事后考察风险–覆盖率，τ=0.75时覆盖率50.79%、保留准确率0.9227；τ=0.90时覆盖率92.03%、保留准确率0.8353；示例性τ=0.80点产生68.60%覆盖率、31.40%被标记比例、保留准确率0.8961、保留平衡准确率0.8994、保留二次kappa 0.8335；历史阈值τ=0.80系检视测试风险–覆盖率曲线后回顾性选定，无预设优化准则、目标覆盖率或临床可接受风险水平，因同一测试子集既用于选择又报告性能，相关估计为描述性，不能验证该截断为操作阈值。历史混合与直接固定伪影在同一留出测试上比较，以保留误分类风险与离散AURC为总结，混合历史伪影AURC 0.0919、直接0.1107；测试熵排序约80%覆盖率处保留风险混合0.1358、直接0.1540。原三种子匹配比较中混合AURC为0.0754、0.0765、0.0857，直接为0.0842、0.0832、0.0857，平均AURC混合0.0792对直接0.0844，配对差?0.0052（三种子样本SD），但种子2026差异可忽略，且无模型在每档覆盖率均一致更低风险；固定测试排序约80%覆盖率处平均保留风险混合0.1306、直接0.1281；AURC还受全 coverage 分类误差影响，不能单独分离选择性预测优势。以约80%调参覆盖率目标（每模型1058/1322）设六阈值后，平均测试覆盖率混合0.7980对直接0.8005，保留风险0.1200与0.1201，保留准确率0.8800与0.8799；51张真重度OA中混合阈值平均保留18张自动分类、直接24张。历史伪影在示例定义τ=0.80下，轻–中度OA 49.25%（330/670）被标记，无OA 19.25%、重度OA 19.61%；中间类别较大比例可能反映类别边界附近更大模糊性，但该结果不验证所选阈值。（7）可解释性：存档Grad-CAM示例定性检查显示异质空间归因模式，五分类与直接三分类示例中部分显著激活与胫股关节间隙或相邻边缘结构重叠，另一些弥散或集中于周边区域；这些示例提供描述性视觉背景，但不确立模型关注解剖相关区域的频率、不证明任一设定的可解释性优势或模型推理的解剖正确性。辅助SHAP实验产生低幅值空间弥散归因模式，无令人信服的解剖定位；鉴于存档样本有限且缺乏标准化归因评估，SHAP结果视为不确定，补充图S6与S7仅作辅助可视化而非支持Grad-CAM发现的独立证据。（8）原型实现：KneeAI整合预处理、五分类推理、KL 5-to-3概率聚合、熵显示与Grad-CAM视觉归因，界面展示作为决策支持研究原型的技术整合；未经前瞻性评估、未实施经验证操作阈值、未行临床验证。存档界面示例含严重发现的转诊措辞，仅为示例，非临床验证推荐，亦不表明当前应用适用转诊决策规则；当前部署应用显示研究用途警告与基于熵的事后模糊标志，但不给出依赖严重程度的转诊指令。（9）次要敏感性分析：存档历史混合固定伪影准确率0.8219，对比主要匹配三种子混合均值0.8114；历史值仅作次要固定伪影敏感性结果报告，不替代匹配重训估计。存活的历史H5不能精确复现存档概率矩阵；历史指标可数值追溯至规范存档概率矩阵及其匹配标签与FDGI链接记录，但恢复预期历史权重文件并无错误加载并未表明存档概率数值可复现，推理未精确复现存矩阵且差异来源未确定；故准确率、置信区间、校准指标与次要固定伪影比较描述存档预测以其记录标签为条件，不应归因于由存活H5复现的新推理运行；文件哈希与存档预测导出一致性确认伪影完整可追溯，但不表明从检查点到预测的完全可复现性。决策规则事后敏感性分析比较规则A（五分类Softmax argmax后KL 5-to-3映射）与规则B（三分类概率聚合后argmax）：历史固定伪影中两规则对1656张中103张（6.22%）分类不同，54张错误转正确、49张正确转错误，历史准确率由0.8219升至0.8249、平衡准确率由0.8544降至0.8503、宏F1由0.8027升至0.8098、二次kappa由0.7254升至0.7263；原混合Stage 2检查点种子42、123、2026中规则A与B分别对45、52、50张不一致，三种子平均准确率由0.8114（A）降至0.8099（B），平衡准确率由0.8492降至0.8437、宏F1由0.7933降至0.7889、二次kappa由0.7172降至0.7121，重度OA召回各运行均下降（43/51→42/51、41/51→39/51、35/51→32/51），而重度OA精确率三者均上升；历史伪影中重度OA召回在两规则下均为48/51；AUC、Brier与NLL不变因聚合概率向量相同。存档固定伪影比较中直接固定对照准确率0.7900，混合减直接差0.0320（95%CI 0.0157–0.0489），该对比远大于匹配三种子平均差，故解释为伪影特异。单次运行消融亦为探索性：单独训练的无选择性过采样变体平衡准确率0.7840、二次kappa 0.6931、重度OA召回0.7647，对比历史参考预测0.8544、0.7254、0.9412；无标签平滑变体准确率0.7874、宏F1 0.7626、二次kappa 0.6549，对比历史参考0.8219、0.8027、0.7254；因每变体仅一次独立训练无种子控制且后续过采样续跑未替换历史最佳检查点，这些对比为脆弱组件敏感性观察而非过采样或标签平滑效应的因果估计。历史混合伪影亦与固定EfficientNetB3嵌入上训练的经典分类器比较（补充表S19），替代ResNet50、EfficientNetB0、DenseNet121检查点在同一混合输出空间评估（补充表S19–S21），局部Holm校正比较为探索性、不提供研究-wide误差控制或通用架构排序。

【讨论与结论】主要发现是：在受控内部验证框架下，细粒度KL监督后三分类合并与直接三分类训练取得相当总体表现，混合平均准确率0.8114 ± 0.0082与直接0.8118 ± 0.0027几乎相同；虽平衡准确率、宏F1、二次kappa与AUC混合数值更高，但所有主要指标配对种子级置信区间含零，故不确立优越性或等效性。所提方法贡献不应解释为新类聚合算法或可证明更优分类器，其方法学价值在于保留原始五分级预测空间以考察序数分类误差，同时支持在与直接模型相同的合并严重程度类别中评估；如历史五分类结果中296张KL-1有140张标为KL-0，在五级层面为误分类但在合并无OA类别下计为正确，保留五级输出使类内误差仍可见可分析，而直接三分类模型不能从输出单独产生KL-0对KL-1或KL-2对KL-3的区分。即便如此，此额外细节未使模型比直接三分类训练更准确，其临床帮助仍未检验。故主要贡献为共享数据、架构与训练条件下监督粒度的受控可复现比较，辅以内部验证与不确定性分析，同时承认检查点选择目标差异。以三分类调参准确率重选保留的Stage 2与Stage 3混合检查点时，三种子中两个所选阶段改变，但平均三分类准确率几乎不动，在报告精度下混合与直接达相同平均准确率；加权AUC探索性配对区间确排除零，但仅来自三个配对种子且未对多指标校正，故非由粗到细训练总体性能优势证据。一种可能解释是五级监督在表示学习中保留相邻放射严重程度信息，而事后合并将部分KL-1/KL-2与KL-2/KL-3边界误差吸收进更宽类别；KL模糊性、标签噪声、小KL-4类及学习细表示与做粗决策差异均可能贡献，但这些机制未经直接检验，应视为假设而非已证因果解释。匹配类特异性分析进一步提示聚合指标解读需谨慎：平均无OA F1两设定几乎相同，轻–中度OA F1混合数值略低；重度OA混合训练平均召回与F1更高但精确率更低，召回仅在三种子中两个更高而直接模型精确率三者均更高，提示描述性精确率–召回权衡而非细粒度监督识别严重发现的一致获益。类别不平衡是额外挑战：KL-4仅占5282张训练影像的164张（3.10%），调参与留出测试分别含36与51张KL-4，有限代表性可能限制训练中严重放射模式多样性并贡献类特异性性能估计不确定性；训练-only选择性过采样虽纳入匹配训练协议，其独立贡献未确立，无过采样探索性比较为单次训练无匹配种子控制，不能支持因果结论；且留出测试仅51张真重度OA，每增加一个正确分类召回约变1.96个百分点，故混合与直接精确率–召回差异应谨慎解读。历史五分类低KL-1召回（20.3%）削弱细粒度监督论据：五级输出使分级特异误差分析可行，但不表明模型能可靠区分相邻KL分级；KL-1错误多落入KL-0与KL-2，可能反映细微放射边界、分级频率不等或参考标签变异，研究未分离这些机制且无观察者间一致性数据，故历史KL-1发现不应视为五级监督改善早期放射变化识别的证据，亦未知其跨重训种子是否成立。研究优势在于内部验证分别处理多种变异来源：FDGI不相交留出测试估计对未用于拟合或检查点选择文件的泛化同时保持侧别配对文件名一起；五折分层分组交叉验证评估发育划分敏感性；匹配三种子重训评估相同协议下训练过程变异；FDGI级分组自助法评估留出测试组成抽样不确定性；图像级审计另未发现跨最终子集的二进制精确、解码像素精确或SSIM确认近重复影像；调参-only检查点选择减少测试知情模型选择；存档清单、预测、历史、哈希与检查点审计改善可追溯性。这些控制增强内部可复现性，但不替代经验证患者标识或外部队列。重采样留出测试集的不确定性与重训模型的不确定性不同，此区分至关重要：存档固定伪影比较偏向混合预测器准确率，但配对三种子实验未复现类似大小准确率优势；表S13正FDGI自助区间依赖特定历史预测文件，不能告知其差异在其他训练种子或检查点实现下多稳定；表S23处理该单独问题，但因仅三个匹配运行其不确定性大；检查点与预测的历史差异亦使从存活模型权重重建该特定固定伪影结果困难；故将受控三种子比较视作设定间差异主要证据，历史比较视作特定于那些伪影的次要背景。决策规则敏感性分析表明分类结论部分取决于将五分类argmax映射至三类还是概率聚合后argmax；历史固定伪影中替代规则略升准确率，但跨三个原匹配混合运行其降低平均准确率、平衡准确率、宏F1与二次kappa，且重度OA精确率升而召回降，此权衡重要因留出集仅51张重度OA；分析为描述性且基于测试集，故未用于调分类规则或支持临床获益主张。概率与不确定性结果需类似有界解读：Brier分数两设定几乎相同，NLL数值偏向混合、ECE数值偏向直接，所有配对区间含零，故较低混合熵不能解释为更好校准；历史τ=0.80风险–覆盖率结果仍为事后因阈值在检视留出测试后选定；新回顾性敏感性分析比较历史混合与直接伪影及原匹配三种子模型，并评估仅基于调参数据以示例80%覆盖率目标设定的熵阈值；跨三种子混合平均AURC数值更低，但在调参衍生阈值下其保留风险略高，故比较未显示任一设定在选择性预测上持续更好；混合阈值还保留更少真重度OA病例，需谨慎且不应读作更安全临床分诊迹象；新阈值在额外测试评估前固定但测试队列已在早前分析中检视，原分析与新分析均未建立临床验证拒绝策略、可迁移操作阈值或外部泛化性。Grad-CAM发现提供定性视觉背景而非解剖正确模型推理的经验证证据；五分类与直接三分类示例均显示胫股结构附近激活伴随弥散或周边响应，后者需谨慎因可能反映对与OA放射特征无关图像特征的敏感性，尽管此可能未直接探究；无专家定义解剖参考区、系统类别与误差分层评估或定量归因忠实性检验，无法确定空间定位可靠性或确立混合设定可解释性优势；类似地存档SHAP因样本有限、归因弱而弥散及缺乏标准化评估设计仍不确定。KneeAI表明预测、不确定性显示与视觉归因可整合进可复现界面，但不表明临床有效性、工作流获益或安全性；存档补充图S9转诊语句不应读作临床决策支持算法产生的经验证推荐，发布研究应用无将严重程度映射至转诊的规则，历史截图本身不能告知该措辞在何条件下出现；任何临床路径或转诊消息使用前需明确规定的循证规则、机构与临床医生审查及前瞻性评估其安全性与工作流影响。临床角度，KneeAI或可在放射评估中通过提供预测KOA严重程度、类概率、归一化熵与Grad-CAM可视化的合并显示支持放射科医生，预测伴随不确定性信息或鼓励更仔细检查模糊病例，归因叠加可为审查模型输出提供补充视觉背景，但这些为潜在应用而非已证临床获益；无放射科医生读者研究确立归因于原型的诊断准确率、读者间一致性、判读时间或临床决策改善。局限性包括：使用单一公共数据集镜像无经验证患者、就诊或纵向标识；FDGI保留左右文件名配对但不能证明参与者级独立性或排除不同主干下重复检查；虽未检出跨最终子集精确或SSIM确认高相似影像重复，审计不能排除重复检查或同参与者影像存于不同数字主干且视觉相似性低于预设阈值，故同一参与者影像仍可能以不同文件名主干分布于不同子集，造成参与者级数据泄漏残余风险及潜在乐观内部性能估计；人口学变量、扫描仪与采集元数据、完整来源信息、标注者资质、读者数量、共识或裁定程序及观察者间可靠性不可用，妨碍亚组、站点、采集域与标注质量分析；无外部队列、前瞻性工作流、读者研究或正式专家比较，故结果不能确立跨机构、患者人群、放射采集协议或标注实践的泛化性；外部验证应使用独立来源放射影像、经验证患者标识、记录采集特征与明确定义参考标签程序，应用先前训练模型与固定预处理流程而不在外部队列重训或优化参数，重新评估判别、类特异性性能、校准与不确定性行为尤其对代表不足重度OA病例，任何操作不确定性阈值应在外部评估前用发育数据选定而非在外部队列优化；仅三个配对种子，二自由度下设定比较对中等差异检验力不足，不能支持正式等效、非劣效或优越性主张；检查点选择方法学局限在于虽两设定用相同调参子集与准确率选择程序，混合检查点按五分类KL准确率选择而直接按三分类严重程度准确率选择，这些目标不等价，最大化五分类准确率不一定最大化合并三分类后准确率，故观察到的设定间差异不能完全归因于监督粒度；事后敏感性分析以三分类调参准确率在阶段间选择改变两个种子所选检查点但平均分类准确率基本不变，然而每种子两个候选检查点原本均在各自训练阶段内以五分类调参准确率选定，故该分析既不检验全训练epoch下三分类目标选择也不完全消除检查点选择程序原差异；重度OA含51张留出影像使类特异性估计脆弱，τ=0.80阈值事后选定、Grad-CAM证据定性、SHAP不确定、辅助消融与基准比较探索性；未来工作应使用经验证临床标识、记录标注程序、外部多中心队列、独立选定阈值、前瞻性评估、读者研究、更丰富采集元数据、更多重复种子与定量归因评估；类特异性比较亦受每运行仅51张真重度OA限制，每增加一个正确重度OA决策召回变约1.96个百分点，因三种子在同一影像评估，种子间SD捕获重训变异而非独立测试队列抽样不确定性，故观察到的类别级差异为描述性不能支持优越、等效或临床安全主张；决策规则敏感性分析亦依赖留出测试存档预测，故非替代操作规则的独立验证，其历史结果来自单一固定预测伪影，匹配运行总结仅覆盖三种子且均在同一1656张影像评估；扩展选择性预测分析有进一步局限：原历史τ=0.80阈值在测试集选定，历史固定伪影无兼容调参概率，故新调参选定阈值仅适用于六个原匹配模型；六阈值在额外测试计算前冻结但80%覆盖目标仅示例且测试集已检视，故不能声称完全独立或前瞻性验证；风险与AURC仅回顾性评估三个训练种子与同一1656张留出影像，AURC还结合基线分类准确率与选择性排序效应；每运行仅51张真重度OA，保留数量差异不说明后续专家审查会改变什么；外部评估与临床预定义操作标准仍必要；历史固定预测结果另有自身可复现性局限：可识别并加载存活预期H5检查点，但用其重跑推理所得概率与冻结历史预测伪影不完全匹配且原因未解决，故历史估计与自助区间可从保留预测审计但目前不能从该检查点端到端再生，其抽样区间未考虑此来源差异或跨训练运行变异；主要匹配比较仅覆盖三个训练种子并产生不精确配对区间，两种证据均不足以单独确立稳定优越效应或可迁移临床结果；额外局限涉及数据集多样性与真实部署要求：可用公共数据集缺乏充分记录患者人口学、机构来源与放射采集特征以评估人群代表性或亚组特异性能，故无法确定分类误差、不确定性估计或重度OA识别是否跨人口群体、机构或成像条件变化；未来研究应含多样独立收集多中心队列、经验证患者标识与记录人口学与采集元数据，支持预设亚组分析及校准与鲁棒性评估；除外部验证外，临床转化需前瞻性放射科医生读者研究与受控工作流评估，涉及可用性、与医院成像系统互操作、人工监督及潜在自动化相关错误；任何真实部署前还需建立并评估数据隐私、操作安全、性能监测、数据集偏移检测与模型维护程序，这些临床与操作要求仍在本回顾性研究范围之外。结论：本回顾性研究开发并内部验证了一种不确定性感知由粗到细深度学习框架用于放射学KOA严重程度评估；内部验证结合FDGI不相交留出测试、发育队列内五折分层分组交叉验证、匹配三种子重训与FDGI级分组自助分析；混合KL 5-to-3与直接三分类训练取得相当总体表现，未确立普遍优越性；类平衡性能、判别、重度OA敏感性与不确定性行为的数值差异为描述性；这些比较发现还应结合设定特异检查点选择目标解读，其影响仅通过受限事后敏感性分析部分评估。当保留混合检查点在事后敏感性分析中按三分类调参准确率重选时，两种子所选阶段改变，但混合与直接设定在报告精度下仍达相同平均准确率；因分析受限，既不显示两训练策略优越性也不显示等效性。主要贡献为受控可复现工作流，区分细粒度监督与粗输出构建，同时记录判别、序数误差、概率诊断与探索性选择性预测；KneeAI证明将这些组件整合进决策支持研究原型的技术可行性；证据限于所分析数据集内部，不确立经验证参与者级有效性、外部泛化性、临床有效性或部署准备度；外部验证与前瞻性临床评估仍必要。