基于高效扩散模型的膝关节骨性关节炎风险估计：多任务预测建模方法
计算机视觉与模式识别
2025-06-18 v1 机器学习
摘要
医学影像在评估膝关节骨性关节炎（OA）风险方面发挥着关键作用，通过早期检测和疾病监测实现。这一点。最近的机器学习方法在利用医学影像改进风险估计（即预测疾病进展概率）和预测建模（即基于当前数据预测未来结果）方面取得了进展，但由于缺乏可解释性，临床应用仍有限。现有方法用于风险估计生成未来影像的技术复杂且不实用。此外，先前方法未能局部化膝关节解剖 landmarks，限制了可解释性。我们通过一种新的可解释机器学习方法来填补这些差距，通过多任务预测建模来估计膝关节骨性关节炎风险，该方法不仅分类未来膝关节骨性关节炎严重程度，还能从高质量未来影像中预测膝关节解剖 landmarks。通过在类条件潜在空间中利用扩散模型来实现图像生成，以预测疾病进展，为特定健康状况的演化提供视觉表示。应用于骨性关节炎启动数据库，我们的方法将准确率提高了2%，在预测膝关节骨性关节炎进展时实现了0.71的AUC值，同时实现了约9%的推理速度提升。
引用
@article{arxiv.2506.14560,
title = {Risk Estimation of Knee Osteoarthritis Progression via Predictive Multi-task Modelling from Efficient Diffusion Model using X-ray Images},
author = {David Butler and Adrian Hilton and Gustavo Carneiro},
journal= {arXiv preprint arXiv:2506.14560},
year = {2025}
}