ClinNet：用于膝关节骨关节炎分级的证据型序数回归与双侧不对称性及原型记忆
计算机视觉与模式识别
2026-01-27 v1 人工智能
摘要
基于放射学图像的膝关节骨关节炎（KOA）分级是一个关键但具有挑战性的任务，由于分级间的细微差异、注释不确定性以及疾病进展的本质序数特性。传统深度学习方法通常将此问题形式化为确定性多类分类，忽略了退化的连续性和专家注释中的不确定性。本文提出了ClinNet，一种新型可信框架，將KOA分级作为证据型序数回归问题处理。该方法集成了三个关键组件：（1）双侧不对称编码器（BAE），显式建模髋骨-髋骨结构差异；（2）诊断记忆库，维护类别级原型以稳定特征表示；（3）基于正态-逆伽马（NIG）分布的证据型序数头，联合估计连续KL分级和认识不确定性。大量实验表明，ClinNet实现了0.892的二次加权Kappa和0.768的准确率，统计上显著优于最先进的基线方法（p < 0.001）。关键的是，我们展示了模型的不确定性估计成功地标记了超出分布样本和潜在的误诊，为安全的临床部署铺平了道路。
引用
@article{arxiv.2601.17315,
title = {ClinNet: Evidential Ordinal Regression with Bilateral Asymmetry and Prototype Memory for Knee Osteoarthritis Grading},
author = {Xiaoyang Li and Runni Zhou},
journal= {arXiv preprint arXiv:2601.17315},
year = {2026}
}
备注
12 pages