PSSF：使用物理合成膝关节 X 射线扫描与 AI 影像组学模型的早期骨关节炎检测

膝关节骨关节炎是全球致残的主要原因之一，目前仍主要采用主观的影像学分级进行评估，最常用的是 Kellgren-Lawrence (KL) 量表。人工智能与影像组学为 OA 评估提供了定量工具，但依赖于大量标注良好的图像数据集（主要是 X 射线扫描），而这些数据由于隐私、治理和资源限制往往难以获取。在本研究中，我们引入了一种基于物理的合成模拟框架，可在无需患者参与且不违反其隐私和机构约束的情况下，完全生成可控的 X 射线扫描。该 PSSF 是一个参数化解剖模型的 2D X 射线投影模拟器，用于模拟股骨远端和胫骨近端的前后位膝关节 X 射线影像。使用 PSSF，我们创建了一个包含 180 名受试者（260 个膝关节）的虚拟队列，每个受试者在三种协议（参考、低剂量和几何偏移）下进行成像。内侧关节区域被自动定位、预处理，并使用图像生物标志物标准化倡议（IBSI）进行处理。实际上，我们利用三种机器学习（ML）模型——逻辑回归、随机森林和梯度提升——来训练二分类（类似 KL 的“0”与“2”）和三分类（0-2）预测影像图像。在 IBSI 协议内、跨协议和多协议场景下评估了鲁棒性。最后，使用跨采集变化的组内相关系数评估了特征的稳定性。