一种基于自监督异常检测的连续膝关节骨关节炎严重程度评分AI系统
机器学习
2025-05-30 v2 人工智能
计算机视觉与模式识别
摘要
现有膝关节骨关节炎(OA)的序数分级系统在诊断准确性和主观性方面存在持续的争议和关注。现有自动化解决方案被训练来模仿这些不完美的系统，同时也依赖于大规模标注数据库进行完全监督训练。本文提出了一种针对膝关节骨关节炎的连续性分级方法，基于异常检测(AD)原理；通过学习健康膝关节X光片的稳健表征，基于其与正常中心距离来评估疾病严重程度。第一阶段提出了SS-FewSOME技术，一种自监督AD技术，仅需健康受试者样本，标注比例不足3%。第二阶段利用该模型对未标注数据进行伪标签，标记为“正常”或“异常”，随后使用CLIP对伪标签进行去噪。第三阶段使用所提出的双中心表征学习(DCRL)对标注和伪标注数据进行重新训练，学习正常和异常两个表征空间的中心。最终根据与所学中心的距离来评估疾病严重程度。该方法在OA检测和疾病严重程度评分方面均优于现有技术，表现提升最高可达24%，疾病严重程度分数与Kellgren-Lawrence分级系统的相关性与人类专家水平持平。代码已公开：https://github.com/niamhbelton/SS-FewSOME_Disease_Severity_Knee_Osteoarthritis。
引用
@article{arxiv.2407.11500,
title = {An AI System for Continuous Knee Osteoarthritis Severity Grading Using Self-Supervised Anomaly Detection with Limited Data},
author = {Niamh Belton and Aonghus Lawlor and Kathleen M. Curran},
journal= {arXiv preprint arXiv:2407.11500},
year = {2025}
}