深度学习从磁共振图像预测全膝关节置换

膝骨关节炎 (OA) 是美国常见的肌肉骨骼疾病。若在早期确诊，运动与减重等生活方式干预可延缓 OA 进展，但在晚期仅有创选项可用：全膝关节置换 (TKR)。尽管该手术总体成功，仅 2/3 接受手术的患者报告术后膝盖感觉“正常”，且可能出现需翻修的并发症。这亟需一个模型来识别 TKR 高风险人群，尤其在 OA 较轻阶段，以便实施适当治疗延缓 OA 进展并推迟 TKR。在此，我们提出一个利用 MRI 图像及临床与人口统计学信息预测 TKR 的深度学习流程，其 AUC 为 $0.834 \pm 0.036$ (p < 0.05)。最值得注意的是，该流程对无 OA 患者的 TKR 预测 AUC 达 $0.943 \pm 0.057$ (p < 0.05)。此外，我们为测试数据中的病例对照对生成遮挡图，并比较模型在两者中使用的区域，从而识别 TKR 影像生物标志物。因此，本工作朝着具临床实用性的流程迈进，所识别的生物标志物增进了我们对 OA 进展及最终 TKR 发生的理解。