对人工智能驱动的多标签深度学习进行双中心研究,用于X射线查膝盖异常
Parhat Yasin1, Yasen Yimit2, Abuduainijiang Abulimiti3
1Department of Spine Surgery, The Sixth Affiliated Hospital of Xinjiang Medical University, Urumqi, 830000, Xinjiang, People's Republic of China.
Scientific reports
|October 31, 2025
概括
这项研究引入了一种人工智能,可以检测X射线的膝盖软组织损伤,提高诊断的准确性和效率. 人工智能模型准确地识别了多种疾病,为更好的患者结果提供了可扩展的解决方案.
科学领域:
- 骨科诊断器 骨科诊断器 骨科诊断器
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
背景情况:
- 膝盖异常,如阴囊撕裂和带损伤是常见的,但难以诊断.
- 传统的成像 (X射线,CT,MRI) 在可视化软组织损伤方面存在局限性,MRI是昂贵和耗时的.
研究的目的:
- 开发和验证一种人工智能驱动的方法,直接从X射线图像中检测软组织膝盖异常.
- 为了克服膝盖损伤评估的传统成像技术的局限性.
主要方法:
- 一项由骨科外科医生注释的4215名使用膝盖X射线的患者的回顾性研究.
- 使用YOLOv11进行膝盖定位和五个CNN (ResNet152,DenseNet121,MobileNetV3,ShuffleNetV2,VGG19) 进行八种膝盖疾病的多标签分类.
- 采用数据预处理,空间增强和可解释的AI技术 (GradCAM,ScoreCAM) 来实现可解释性.
主要成果:
- YOLOv11实现了高度的膝盖定位精度 (mAP@0.5的0.995).
- ResNet152表现出优异的分类性能,其mAP为90.1% (内部) 和AUC高达0.863 (外部).
- 端到端测试显示ResNet152的mAP为86.1%,F1得分为84.0%,与MRI和关节镜检测结果一致.
结论:
- 由人工智能驱动的模型显著提高了从X射线检测膝盖异常的精度和效率.
- 该系统在单个分析中准确地识别了多种共存的膝盖疾病,为改进诊断工作流提供了可扩展的工具.
- 通过Windows和Web应用程序的临床集成,加上可解释的AI,建立了信任,并促进了医疗机构的采用,特别是在资源有限的地区.
