Knee-xRAI：用于自动Kellgren-Lawrence韧带骨关节炎评分的可解释人工智能框架
计算机视觉与模式识别
2026-04-28 v1 人工智能
机器学习
摘要
采用 Kellgren-Lawrence（KL）系统对膝关节炎放射性分级存在跨读者变异性，而且当前深度学习方法透明度不足——它们直接从图像预测 KL 分级，而未对结构特征进行分解。我们提出Knee-xRAI，一个模块化框架，独立量化KOA的三个关键放射特征（关节间隙狭窄[JSN]、骨性棘突、次骨性坨胀），并将其整合到可解释的KL分级分类中。该管道组合U-Net++分割用于轮廓基准的JSN测量、SE-ResNet-50网络用于每个部位骨性棘突评分（OARSI 比例）以及混合纹理-CNN分类器用于二元坨胀量化。 resulting 50 维结构特征向量输入两种互补的分类路径：一种基于 XGBoost 支持 SHAP 特征归因，另一种基于 ConvNeXt 混合路径将结构向量与全图编码器结合以获得更佳预测性能。在来自 OAI 数据集的 8,260 例放射影像上进行评估，JSN 模块的 Dice 系数为 0.8909，mJSW 类间相关系数为 0.8674。ConvNeXt 混合路径实现了测试二次加权Kappa（QWK）为 0.8436，AUC 为 0.9017。透明的 XGBoost 路径实现了测试 QWK 为 0.6294，具备完整的特征层级审计能力。消除实验确认JSN 为主要预测因子（单独 QWK=0.6103），骨性棘突特征提供持续的增量收益（+0.0183），而坨胀贡献有限。推断时间消除 Path B 确认结构路径对图像编码器具有实质性贡献，QWK 下降 0.098（特征置零）和 0.284（特征-图像置换）。Knee-xRAI 在单一可审计管道中显式量化KL定义的所有三个放射特征。
引用
@article{arxiv.2604.23435,
title = {Knee-xRAI: An Explainable AI Framework for Automatic Kellgren-Lawrence Grading of Knee Osteoarthritis},
author = {Azmul A. Irfan and Nur Ahmad Khatim and Alfan Alfian Irfan and Achmad Zaki and Erike A. Suwarsono and Mansur M. Arief},
journal= {arXiv preprint arXiv:2604.23435},
year = {2026}
}
备注
8 pages, 4 figures