预测膝骨关节炎严重程度：基于患者数据与plain X射线图像的对比建模
图像与视频处理
2019-08-26 v1 计算机视觉与模式识别
机器学习
摘要
膝骨关节炎(KOA)是一种损害膝关节功能并引起疼痛的疾病。放射科医生审阅膝关节 X 射线图像，并根据 Kellgren 和 Lawrence 分级方案（一个五点有序量表(0–4)）对损伤程度进行分级。在本研究中，我们使用弹性网络(EN)和随机森林(RF)基于患者评估数据（即双膝的体征与症状以及用药情况）构建预测模型，并使用仅以 X 射线图像训练的卷积神经网络(CNN)。采用线性混合效应模型(LMM)对双膝之间的受试者内相关性进行建模。CNN、EN 和 RF 模型的均方根误差分别为 0.77、0.97 和 0.94。LMM 显示出与 EN 回归相似的总体预测精度，但正确考虑了数据的层次结构，从而得出更可靠的推断。我们识别出了可用于 X 射线成像前患者监测的有用解释变量。我们的分析表明，在建模 X 射线图像和患者数据时，为预测 KOA 严重程度级别所训练的模型取得了可比较的结果。KL 分级中的主观性仍是一个主要关注点。
引用
@article{arxiv.1908.08873,
title = {Predicting knee osteoarthritis severity: comparative modeling based on patient's data and plain X-ray images},
author = {Jaynal Abedin and Joseph Antony and Kevin McGuinness and Kieran Moran and Noel E O'Connor and Dietrich Rebholz-Schuhmann and John Newell},
journal= {arXiv preprint arXiv:1908.08873},
year = {2019}
}
备注
Published in Nature Scientific Reports, 2019