基于优化深度学习和LLM驱动的肩关节骨关节炎严重程度分级——面向计算受限系统
摘要
肩关节骨关节炎(KOA)是肌肉骨骼疾病中的一种，对关节活动范围有显著限制，引起严重慢性疼痛，并对生活质量产生负面影响。它是全球范围内持续存在的健康问题之一。通常情况下，主观性和观察者间的变异性削弱了解决此类健康问题所采用的常规做法和评估过程。因此，精确且及时的诊断将是评估其严重程度的有效方式。本文提出了一种自动化诊断方法，用于KOA的严重程度分级，通过将深度学习卷积神经网络(CNN)与基于TensorFlow Lite的设备推理平台相结合来实现。该方法基于ResNet-18卷积神经网络构建模型。设计的模型在公开可用的数据库上进行训练。通过迁移学习方法，对收集的膝关节图像首先被分为五个肩关节- Lawrences( KL)分级。随后，对开发的模型进行优化。在模型训练期间，实现了94.48%的测试准确率，并稳定收敛。随后，将优化后的模型转换为轻量级TensorFlow Lite格式，实现在资源受限设备上的无缝部署。该设计模型能够在无持续互联网连接的环境中运行。此外，还应用了大语言模型(Gemini-2.0-flash)生成结构化的解释性发现，如潜在症状、风险因素和预防措施等。LLM组件作为界面功能，无需影响分类过程。该提出的模型阐明了在设备上、可解释的决策支持工具对于早期诊断的可行性，提高了人工智能(AI)辅助膝关节筛查工具的可及性。
引用
@article{arxiv.2605.05731,
title = {Knee Osteoarthritis Severity Grading Using Optimized Deep Learning and LLM-Driven Intelligent AI on Computationally Limited Systems},
author = {Dayam Nadeem and Neha and Safdar Mustafa and Adnan Alvi and Mohd Hussain},
journal= {arXiv preprint arXiv:2605.05731},
year = {2026}
}
备注
6 pages, 11 figures, Accepted and presented at the 2nd International Conference on Emerging Computational Intelligence (ICECI 2026), IEEE. Published in conference proceedings. To appear in IEEE Xplore