| 李腾飞，张辉，万上，宋彬.基于膝关节影像学关节间隙特征与下肢肌力的多种机器学习模型对膝骨关节炎进展的预测及性能对比研究[J].放射学实践,2026,41(06):678-686 |
| 基于膝关节影像学关节间隙特征与下肢肌力的多种机器学习模型对膝骨关节炎进展的预测及性能对比研究 |
|
| |
| DOI：10.13609/j.cnki.1000-0313.2026.06.011 |
| 中文关键词: 骨关节炎, 膝 下肢 肌力 预测学习模型 |
| 基金项目:四川省自然科学青年科学基金项目(24NSFSC8136) |
|
| 摘要点击次数: 149 |
| 全文下载次数: 115 |
| 中文摘要: |
| 【摘要】目的:本研究旨在基于多模态数据并利用多种机器学习算法，构建膝骨关节炎（KOA）患者两年内疾病进展的预测模型，比较不同算法的预测性能，筛选最佳模型以实现精准预测。方法:本研究基于Osteoarthritis Initiative （OAI）数据库，纳入4304名受试者，收集其人口学特征、下肢肌力、WOMAC疼痛评分、家族与手术史、NSAID使用史及膝关节X线影像。对1000例患者（2000个膝关节）进行标注，提取关节间隙宽度（JSW），并构建融合ResNet与Swin-Transformer的深度学习模型实现影像特征自动提取。整合影像学与临床特征后，采用9种机器学习算法，以7:3比例划分训练集与测试集，通过准确率、AUC、平均精确度及决策曲线分析评估模型性能，并使用DeLong检验进行模型间显著性差异对比。结果:基于ResNet与Swin-Transformer的模型在JSW测量中表现优异（MSE=2.2mm，SDR≤4mm为82.5%）。OA进展预测中随机森林、多层感知机和卷积神经网络表现最佳（准确率约0.91，AUC=0.92~0.93），优于传统逻辑回归模型（AUC=0.85）。PR曲线与DCA分析显示随机森林在不同阈值下均具有更高净收益和临床实用性。结论:实验结果表明结合影像特征与临床特征的多模态预测模型可有效预测KOA两年内的进展风险，其中RF、MLP以及CNN表现最佳。膝关节肌力与影像特征是关键预测因素，该模型为KOA早期风险评估和精准康复干预提供了可靠工具。 |
| |
|
查看全文
下载PDF阅读器 |
| 关闭 |
