为了提高从X光片中识别膝关节骨关节炎的能力，本研究提出了一种基于迁移学习的改进型XceptionNet深度学习模型——OsteoXceptionNet。该模型可增强特征提取能力，降低人工解读误差，实现更精确的自动化分类。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
本文内容
摘要
摘要
膝骨关节炎（KOA）影响全球数以百万计的个体，目前尚无已知的治愈性治疗方法，因此成为一项严峻的全球性健康问题。其疾病进展的管理依赖于早期发现，而X射线成像是基本的诊断技术。然而，由于放射科医生经验水平的差异，人工解读X射线图像会增加结果的变异性及潜在的不准确性。近年来，机器学习与深度学习技术的进步推动了膝关节骨关节炎放射学自动识别系统的开发。但对于早期阶段的检测，进一步提高预测准确性仍然至关重要。通过利用大规模数据集中获取的知识，采用迁移学习可使在较小、特定领域数据集上训练的模型表现更优。由于其网络深度和高效性，XceptionNet特别适用于医学图像解读任务。与以往研究相比，本方法通过采用类别平衡策略、整合定制化的预处理流程，并对XceptionNet引入定制化的结构改进，有效解决了数据集类别不平衡问题，从而提升了早期KOA识别能力。借助这些先进方法，所提出的方法在从膝关节X光影像中准确识别骨关节炎方面展现出良好潜力，达到了97%的预测准确率、97.8%的精确率、97.6%的召回率以及97.6%的F1分数。此外，所构建模型的Cohen's kappa值达到95.94%，表明具有良好的一致性。本研究支持进一步开发可靠、自动化的疾病检测技术，以改善患者预后并促进更高效的医疗服务体系。
引言
膝骨关节炎（KOA）是一种重要的全球性公共卫生问题，影响着大量人群，给患者和医疗机构带来沉重负担。该疾病中，膝关节的关节软骨逐渐退化，其病因复杂且具有多因素性，包括年龄、肥胖、关节创伤、生物力学因素以及遗传易感性等多种因素的共同作用1。
结构完整性的丧失会导致软骨变薄、开裂并最终发生侵蚀，从而暴露其下方的骨骼。膝骨关节炎（KOA）的症状表现差异较大，且常随时间推移而逐渐加重，从轻微不适发展至难以忍受的疼痛以及功能丧失2。膝关节疼痛的主要特征通常在负重运动或长时间活动后加剧。常见体征包括僵硬（尤其在休息期间）、水肿、关节弹响和活动范围减小3。这些症状严重影响日常功能，导致活动受限，并降低患者的生活质量。
本研究验证的假设是：基于自动化深度学习的模型能够达到与专业放射科医生相当的诊断水平，并利用Kellgren-Lawrence分级系统，从影像数据中准确诊断膝骨关节炎（KOA）的严重程度。
本研究的目的源于传统膝骨关节炎诊断与分级方法所固有的局限性。传统上，通常采用放射影像学检查，尤其是膝关节X光片分析，来评估关节损伤程度。然而，这些影像的目视检查容易产生判读差异，且耗时较长4。深....
访问受限。请登录或开始试用以查看此内容。
方案
本部分介绍了一种综合方法，旨在通过使用改进的XceptionNet模型来提高膝骨关节炎的诊断与分级水平。所提出的方法基于精细的数据预处理、全面的模型架构定制以及强有力的评估技术，这些均旨在解决与膝骨关节炎影像相关的复杂问题。在图2中，展示了该模型的流程。
图 2：模型的工作流程。 请点击此处查看此图的放大版本。
数据集描述
本研究所使用的数据集包含来自OAI数据集的9,786张膝关节X光图像....
访问受限。请登录或开始试用以查看此内容。
结果
在模型验证阶段，采取了多项重要措施，以确保其能够泛化到尚未观测到的数据。首先，将数据集划分为训练集和验证集。这是评估模型在未参与训练的数据集上性能的常用方法。通过为训练和验证提供独立的数据集，这种划分方式避免了过拟合，并实现了对模型有效性的全面评估。
采用数据增强方法进一步改善训练效果并防止过拟合。这些方法通过对训练数据进行增强，向图像中添加旋转、平移和翻转等变换。通过扩展训练数据的多样性，模型能够更好地泛化输入数据中的变异情况，即使这些变异在原始数据中并未出现。在训练过程中，使用模型检查点定期保存模型权重。通过该方法，可根据验证准确率确定性能最优的模型，确保最终模型持续保持最佳性能。
除了使用模型检查点外，还采用了早停准则，以便在模型于验证数据上的性能不再提升时终止训练。通过在理想的点停止训练过程（此时进一步迭代不会带来明显的性能提升），从而避免了过拟合。降低学习率是训练过程中另一项关键策略。当预设的验证集指标（如验证损失或准确率）不再改善时，学习率将被调低。这种自适应调整使模型在训练过程中能够进行更精确的参数更新，可能有助.......
访问受限。请登录或开始试用以查看此内容。
讨论
该研究提出了一种基于深度学习的自动化方法，用于利用X射线图像对膝骨关节炎（KOA）进行分级。该模型采用XceptionNet架构，在多种评估指标下表现出显著的鲁棒性和准确性，表明其在临床环境中具有应用潜力。
除了当前的方法之外，还可利用外部数据集验证来进一步证实假设，并评估模型在不同成像条件和人口统计学数据下的泛化能力。通过前瞻性研究，可以评估该模型在临床实时操作中的有效性，从而为其适用性提供有价值的信息40,41。此外，可通过消融实验确定预处理和模型流程中各个组成部分的具体贡献。通过整合多模态数据（如放射影像）以及临床或人口统计学数据，可能提高预测准确性，并提供更全面的评估。最后，为进一步验证所提出方法的稳健性，采用集成学习策略或传统机器学习分类器（如支持向量机SVM或随机森林Random Forest）进行比较分析，可能是有效的技术手段。
研究的意义
临床应用价.......
访问受限。请登录或开始试用以查看此内容。
披露
作者声明，本论文的发表不存在任何利益冲突。本研究、研究结果或结论未受到任何财务或个人关系的影响。
致谢
本研究未从公共、商业或非营利机构的任何资助组织获得特定资助。
作者贡献：
概念化，SHK；方法论，SHK；软件，SHK；验证，SMB；数据管理，SHK；资源，SHK；撰写-原始稿件准备，SHK；撰写-审阅与修改，SHK；可视化，SMB；监督，SMB；项目管理，SMB。
访问受限。请登录或开始试用以查看此内容。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| Jupyter Notebook/Colab | Project Jupyter / Google | N/A | 用于交互式地开发和试验模型。 |
| Matplotlib（版本：3.4.3）& Seaborn（版本：0.11.2） | 社区 | N/A | 用于数据可视化和结果绘图。 |
| Mendeley/Kaggle 数据集 | Elsevier；社区 | N/A | 数据集来源：膝关节骨关节炎严重程度分级数据集 |
| OpenCV（版本：4.5.5） | Intel | N/A | 用于X射线图像的预处理（调整大小、CLAHE、高斯滤波）。 |
| Python（版本：3.8） | Python软件基金会 | N/A | 用于模型开发的编程语言。 |
| scikit-learn（版本：1.0.2） | 社区 | N/A | 用于数据划分、性能评估指标以及基本的机器学习工具。 |
| TensorFlow/Keras | Google/社区 | N/A | 用于实现和训练基于XceptionNet的深度学习模型。TensorFlow版本：2.6.0，RRID:SCR_018932。Keras版本：2.6.0，RRID:SCR_018961 |
| Ubuntu操作系统 | Canonical | N/A | 用于与所有软件工具兼容的操作系统。推荐版本：20.04。 |
参考文献
- He, Y., et al. Pathogenesis of osteoarthritis: risk factors, regulatory pathways in chondrocytes, and experimental models. Biology. 9 (8), 194(2020).
- Kulkarni, P., Martson, A., Vidya, R., Chitnavis, S., Harsulkar, A. Pathophysiological landscape of osteo....
访问受限。请登录或开始试用以查看此内容。