背景
膝骨关节炎(KOA)是一种进行性肌肉骨骼疾病，也是全球致残的主要原因。早期准确诊断对及时干预至关重要；然而，传统使用X光片的手动分级方法容易出现观察者间变异性。基于人工智能(AI)的计算机辅助诊断(CAD)系统有潜力提高检测和分级的准确性。
目标
本研究旨在开发并评估一种基于AI的KOA诊断分级系统，使用X光成像和迁移学习技术，目标是辅助临床医生和医学生进行早期精准诊断。
方法
本实验性横断面研究使用了从拉合尔社会保障教学医院收集的301张X光片（602个膝关节图像）。数据集涵盖Kellgren-Lawrence (KL) 0-4级，标签基于疼痛症状观察和专家骨科评估。图像预处理包括二值阈值化、形态学操作、膝关节区域隔离、归一化和零填充处理。系统以DenseNet-121为基础网络进行迁移学习，并增设卷积层和全连接层。性能评估与其他深度学习架构（DenseNet201、ResNet50、MobileNet）和经典机器学习算法（支持向量机、决策树、随机森林）进行了对比。评估指标包括准确率、曲线下面积(AUC)、精确率和召回率。
结果
DenseNet-121在测试模型中表现最为稳健，在独立测试集上达到68.85%的准确率、85.67%的AUC值、68.33%的精确率和67.21%的召回率。对比模型（包括DenseNet201和MobileNet）表现较差，准确率约为60-61%，AUC值约为80-83%。机器学习方法效果欠佳，最高准确率仅为55.73%。主要挑战包括数据集类别不平衡，以及由于放射学特征重叠导致0级与1级难以区分。
结论
提出的基于AI的CAD系统在临床实践中支持KOA诊断和分级方面展现出应用潜力，尤其适用于培训初级临床医生和放射科医生。尽管存在数据集不平衡和单一中心数据来源的局限性，基于DenseNet-121的迁移学习仍实现了可靠性能。未来研究应着重扩展数据集以覆盖多样化人群、整合多模态医学输入，并在不同临床环境中验证系统泛化能力。该方法凸显了AI在肌肉骨骼影像学中的重要作用，有望增强早期疾病检测效率并改善患者护理质量。
【全文结束】
