骨关节炎（OA）是最常见的关节炎形式，可通过临床关节症状和影像学表现进行诊断，是造成老年人身体残疾的主要原因。在美国，年龄在25岁及25岁以上的成年人中有1400万人患有症状性的膝关节骨关节炎，每年进行超过60万例的全膝关节置换（TKR）。

临床OA症状包括关节疼痛、僵硬和运动范围减少。临床上，通常使用Kellgren-Lawrence（KL）或国际OA研究协会(OARSI)等分级系统对骨赘和关节间隙狭窄进行评估，以进行影像学OA的诊断。然而现阶段，X线膝关节OA分级系统有多个版本，尚未提出统一的诊断标准。同时，临床上评估膝关节骨OA的方法也并不能为诊断及预后提供足够且全面的信息。

近日，发表在Radiology杂志的一项研究通过建立以接受全膝关节置换术(TKR)的患者和未接受TKR的对照患者的膝关节x线片的深度学习(DL)模型，以为临床提供一个可靠且准确的预测OA进展风险的影像学手段。

本项回顾性分析使用初始OA数据，开发了一个膝关节x线片DL模型以预测OA患者在9年内接受TKR的可能性和Kellgren-Lawrence (KL)分级。研究参与者包括了45岁至79岁的病例匹配的对照亚队列。根据年龄、性别、种族和体重指数对患者进行匹配。该模型使用了一种基于ResNet34架构的迁移学习方法，并具有七层嵌套交叉验证。受试者工作特征曲线分析和条件logistic回归评估模型用于预测TKR概率和风险的性能，并与临床观察和两种基于放射学读数的二元结果预测模型进行比较:KL和OARSI分级。

本研究共纳入728名受试者，其中324名OA患者(平均年龄64岁±8岁[标准差];222名女性)和324例对照组参与者(平均年龄64±8岁;222名女性)。基于DL的预测模型的受试者工作特征曲线下面积(AUC)为0.87(95%置信区间[CI]: 0.85, 0.90)，优于基线预测模型的KL分级，其AUC为0.74 (95% CI: 0.71, 0.77; P < .001)。TKR的风险随DL模型(优势比[OR]，7.7;95% CI: 2.3, 25; P < .001)、KL分级(OR, 1.92;95% CI: 1.17, 3.13; P = .009)和OARSI分级(OR, 1.20;95% CI: 0.41, 3.50; P = .73)患者发生TKR的概率增加而增加。

图1 基于影像的二进制输出预测模型的ROC曲线。结果定义为9年内是否接受全膝关节置换(TKR)。AUC值表示预测TKR的结果。KL模型通过Delong检验和Holm修正进行多次比较，以提供评估预测模型之间显著差异的基线模型。

图2 基于图像的结果预测方法:KL、OARS)、DL模型、DL-TL模型和DL-TL-MT模型。

综上所述，本研究开发了一个基于基线x线片的深度学习(DL)模型，该模型可预测OA患者9年内接受全膝关节置换术(TKR)的概率和Kellgren-Lawrence分级。与采用标准分级系统的二元结果模型相比，本研究提出的DL模型更能预测骨关节炎中TKR的风险，为临床提供了一个更准确且可靠的影像学评估手段。

原文出处：

Kevin Leung,Bofei Zhang,Jimin Tan,et al.Prediction of Total Knee Replacement and Diagnosis of Osteoarthritis by Using Deep Learning on Knee Radiographs: Data from the Osteoarthritis Initiative.DOI:10.1148/radiol.2020192091