精选今天0 投票
可解释且可信的AI框架：基于OAI数据的膝骨关节炎结构-疼痛关联大规模纵向研究
近日，一项发表于arXiv的研究提出了一种兼具可解释性与可信度的AI框架，用于大规模纵向分析膝骨关节炎（OA）的结构异常与疼痛之间的关系。该研究利用骨关节炎倡议（OAI）数据，结合深度学习与统计建模，为OA的精准评估提供了新思路。
研究方法
研究团队首先开发了一个深度学习模型，直接从膝关节MRI中预测MOAKS（MRI骨关节炎膝关节评分）特征。为提高预测的可靠性，模型引入了保形预测（conformal prediction）技术，为每次预测提供不确定性量化，从而只保留高置信度的结果。随后，研究者采用纵向潜类别混合模型（LCMM），分析关键结构异常与四种互补的膝关节疼痛测量指标之间的关联。
关键结果
在三种MRI定义的异常——骨髓病变（BML）、软骨缺失（CART）和半月板挤压（ME）中，该框架显著提升了预测性能。例如，马修斯相关系数（MCC）从0.69提升至0.91（BML），从0.45提升至0.80（CART），从0.59提升至0.89（ME）。借助这些高置信度预测，研究将样本量扩大至2175个膝关节，用于LCMM分析。研究识别出两种不同的疼痛轨迹：快速进展组和稳定进展组。在快速进展组中，各结构异常的比值比（OR）分别为：BML 1.62（95% CI: 1.12-2.35），CART缺失1.83（95% CI: 1.24-2.70），ME 2.50（95% CI: 1.75-3.57）。
行业意义
这一框架的价值在于：
- 可信度提升：通过不确定性量化过滤低质量预测，使AI输出更可靠。
- 可解释性：结合统计模型揭示结构异常与疼痛的量化关联，而非仅提供黑箱预测。
- 规模化能力：利用深度学习自动评分，将传统需人工标注的大量影像数据转化为可用于统计分析的高质量特征。
该研究为OA的早期干预和个性化治疗提供了循证依据，同时也为其他医学影像领域的AI应用树立了“可信AI”的范例。