Osteoarthritis Cartilage：基于双侧膝关节视图的深度学习模型可以有效预测骨关节炎进展

骨关节炎（OA）是一种影响全球数亿人的慢性退行性关节疾病，准确预测其进展对于早期干预和管理至关重要。传统的单侧膝关节X光图像分析常用于评估和监测OA的进展，但这种方法可能无法全面捕捉关节病变的复杂性。考虑到对侧膝关节的状况可能影响或反映受影响膝关节的健康状况，本研究旨在开发并验证一个基于双侧膝关节视图的深度学习（DL）模型，以提高OA进展预测的准确性和可靠性。

在这项回顾性研究中，通过利用现有的骨关节炎倡议（OAI）数据库中的影像资料，我们希望建立一个能够综合双侧信息、提供更全面预测的深度学习模型。本研究分析了OAI中参与者的双侧后前向膝关节X光图像。参与者在基线时根据不同的注册点被分配到测试集1和开发集。开发集进一步按8:2的比例分为训练集和验证集，用于模型开发。在48个月的随访中，符合条件的患者形成了测试集2。随后，开发了双侧膝关节神经网络（BikNet），使用待预测的膝关节作为主视图，对侧膝关节作为辅助视图。同时，也训练并比较了作为单侧模型的DenseNet和ResNext。此外，为了评估模型在预测新发OA的价值，进行了两次阅片测试。

结果显示，总共评估了3583名参与者。提出的BikNet在两个测试集中的表现均优于ResNext和DenseNet（所有AUC < 0.71，P < 0.001），测试集1和2的AUC分别为0.761和0.745。使用BikNet辅助，临床医生在预测新发OA的敏感性（从28.1-63.2%提高到42.1-68.4%）和特异性（从57.4-83.4%提高到64.1-87.5%）均有所提高，同时改善了观察者间的一致性。

膝关节骨关节炎研究的参与者筛选和随访流程图

总之，本研究构建的基于双侧膝关节视图的深度学习模型，在预测骨关节炎进展方面显示出比传统单侧模型更高的稳健性和准确性。BikNet不仅提高了预测的敏感性和特异性，还提升了跟随期间的评估一致性，表明其作为预测OA进展的潜在工具或影像生物标志物具有重要的临床应用价值。这种方法的成功应用为OA的早期诊断和治疗提供了新的视角和工具，有助于改善患者的管理策略和生活质量。

原始出处：

Expanding from unilateral to bilateral: A robust deep learning-based approach for predicting radiographic osteoarthritis progression. Osteoarthritis Cartilage. 2024 Mar;32(3):338-347. doi: 10.1016/j.joca.2023.11.022. Epub 2023 Dec 17. PMID: 38113994.