膝骨关节炎X线辅助诊断模型建立的临床应用初探

目的:开发基于深度学习的膝骨关节炎X线辅助诊断模型,并初步验证其临床应用效能.方法:采用深度学习算法,通过训练膝骨关节定位模型自动获取X线检查图像中骨关节的位置,并在此基础上训练Kellgren&Lawrence(K-L)分级模型.通过测试集评估X线辅助诊断模型的准确性、敏感度和特异度,并合并KL1和KL2以进一步测试模型指标.最终建立完整的膝骨关节炎X线辅助诊断模型辅助医师进行K-L分级.结果:共纳入4731例患者的膝关节影像用于构建膝骨关节定位模型,定位模型在测试集上准确率达99.5％;7843张X线检查图像用于K-L分级模型训练(按照8:2的比率划分为训练集6259张,测试集1584张),K-L分级模型在测试集上的受试者操作特征曲线(ROC)的曲线下面积(AUC)为80.9％,敏感度和特异度分别为60.2％和85.2％.在合并KL1和KL2后的AUC为91.6％.膝骨关节炎X线辅助诊断模型的临床验证结果表明,参与测试的专业医师和医学生的平均识别速度提高了35.6％,结果一致性提高了100.0％.结论:基于深度学习建立的膝骨关节炎X线辅助诊断模型具有速度快、体积小的优势,初步临床验证提示其可辅助临床医师提高膝骨关节炎的诊断效率及一致性.