基于解剖学感知多示例学习的可解释性类风湿关节炎评分
计算机视觉与模式识别
2025-08-11 v1
摘要
Sharp/van der Heijde (SvdH) 评分已广泛用于临床试验中以量化类风湿关节炎 (RA) 的放射学损伤，但其复杂性限制了其在常规临床实践中的应用。为了解决手动评分的低效问题，本工作提出了一种使用双手X光片进行可解释图像级SvdH评分预测的两阶段流程。我们的方法提取与疾病相关的图像区域，并使用基于注意力的多示例学习将其整合，以生成用于预测的图像级特征。我们提出了两种区域提取方案：1) 采样最可能包含异常的图像块，以及2) 裁剪包含疾病相关关节的图像块。采用方案2，我们最佳的单项评分预测模型达到了0.943的皮尔逊相关系数 (PCC) 和15.73的均方根误差 (RMSE)。集成学习进一步提高了预测精度，PCC达到0.945，RMSE为15.57，实现了与经验丰富的放射科医生相当的最先进性能 (PCC = 0.97, RMSE = 18.75)。最后，我们的流程有效地识别了临床医生认为与RA进展相关的解剖结构，并基于这些结构做出决策。
引用
@article{arxiv.2508.06218,
title = {Interpretable Rheumatoid Arthritis Scoring via Anatomy-aware Multiple Instance Learning},
author = {Zhiyan Bo and Laura C. Coates and Bartlomiej W. Papiez},
journal= {arXiv preprint arXiv:2508.06218},
year = {2025}
}
备注
Accepted by MICCAI AMAI Workshop 2025