从 Kellgren-Lawrence 到钙磷酸盐晶体沉积：基于软标签框架的膝关节骨关节炎评估
计算机视觉与模式识别
2026-05-28 v1
摘要
背景与目标。传统深度学习（DL）方法用于膝关节骨关节炎（KOA）分级采用 one-hot 标签，无法捕捉 Kellgren--Lawrence（KL）和钙磷酸盐沉积病（CPPD）严重程度评分的序不确定性以及临床实践中观察到的两者尺度之间的非对称关系。方法。我们回顾性收集了 2172 例膝关节X光影像，其中包括 968 例同时标注了 KL 和 CPPD 严重程度。开发了基于软标签的序向 DL 框架用于两项任务，将 one-hot 目标替换为以标注分级为中心的单模概率分布。研究了四种公式：二项式、beta、三角和指数。结果。所有软标签策略均一致优于名义基线。对于 CPPD 分级，三角公式在最高的二次加权Kappa（QWK）和最低的均绝对误差（MAE）方面取得最佳表现（QWK = 0.796；MAE = 0.438），而 beta 公式在考虑平均MAE（AMAE）和最大MAE（MMAE） across classes 的平衡性方面最佳（AMAE = 0.458；MMAE = 0.573）。对于 KL 分级，基于 beta 的方法提供了最佳整体性能，实现最高的 QWK 以及最低的 MAE 和类别间误差（QWK = 0.777；MAE = 0.529；AMAE = 0.523；MMAE = 0.775）。统计分析显示，与传统 one-hot 监督相比具有显著改进（p < 0.001）。
引用
@article{arxiv.2605.28176,
title = {From Kellgren-Lawrence to Calcium Pyrophosphate Crystal Deposition: A Soft-Labelling Framework for Knee Osteoarthritis Assessmen},
author = {Francisco Bérchez-Moreno and Riccardo Rosati and Maria Chiara Fiorentino and Víctor M. Vargas and Edoardo Cipolletta and Emilio Filippucci and Luca Romeo and Pedro A. Gutiérrez and César Hervás-Martínez},
journal= {arXiv preprint arXiv:2605.28176},
year = {2026}
}