通过可解释的贝叶斯生成模型和反事实MRI定位膝盖疼痛:来自骨关节炎倡议的数据

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 骨关节炎 (OA) 疼痛强度通常与MRI检测到的结构异常缺乏相关性,限制了传统病变评估的临床效用.
• 目前用于分析OA膝盖MRI的方法难以准确地将特定的结构变化与患者报告的疼痛联系起来.

研究的目的:

• 开发和验证一种新的可解释的人工智能 (XAI) 框架,用于在膝盖MRI图像中定位疼痛驱动异常.
• 通过识别特定的损伤对疼痛的贡献,提高MRI评估在骨关节炎的临床相关性.

主要方法:

• 利用贝叶斯生成网络从有症状的膝盖合成无症状膝盖MRI图像,创建反事实扫描.
• 集成了一个黑盒疼痛分类器与反事实合成,受限于多式模式细分和不确定性意识推理.
• 应用沙普利添加剂解释 (SHAP) 来量化个体病变对OA疼痛的贡献.

主要成果:

• 该XAI框架在识别疼痛相关特征方面表现出高的解剖特异性,例如状液和骨髓病变.
• 与原始病变体积相比,SHAP衍生的病变得分显示出与疼痛的相关性显著更强烈 (形区域的几率比率为6.75比3.73).
• 该方法实现了优异的损伤水平分辨率,突出了与传统方法相比OA疼痛机制的空间异质性.

结论:

• 开发的XAI框架为骨关节炎提供了可解释的,病变特定的MRI分析.
• 这种方法为了解OA疼痛机制和指导个性化治疗策略提供了新的方向.
• 这些发现支持AI驱动的病变分析在肌肉骨疾病中的临床相关性和增强的解释性.