多序列膝关节磁共振成像（MRI）是一种复杂的非侵入性技术，用于诊断膝关节疾病。尽管有其优势，解读MRI结果可能非常耗费人力并且需要专业的知识。最近来自香港科技大学（HKUST）工程学院的研究揭示了一种新的深度学习模型，旨在对12种常见膝关节异常进行分类，从而提高诊断的效率和精确度。
多序列膝关节磁共振成像（MRI）是一种复杂的非侵入性技术，用于诊断膝关节疾病。尽管有其优势，解读MRI结果可能非常耗费人力并且需要专业的知识。最近来自香港科技大学（HKUST）工程学院的研究揭示了一种新的深度学习模型，旨在对12种常见膝关节异常进行分类，从而提高诊断的效率和精确度。
这项研究是香港科技大学智能实验室与位于中国广州的南方医科大学第三附属医院之间的合作。它们的研究结果最近发表在《自然通讯》上，标题为“在MRI序列中学习共面注意力以诊断十二种膝关节异常”。
膝关节作为一种复杂的铰链关节，是人体主要的负重关节之一，对于日常活动中的多种运动至关重要。膝关节异常可能由于衰老或受伤而发展，导致疼痛和功能限制。因此，准确诊断这些异常对于制定治疗方案和提高患者生活质量至关重要。
膝关节复杂的解剖结构意味着扫描参数的变化可能导致不同的结果。此外，某些微小病变可能被缺乏足够经验的放射科医师轻易忽略。
为了解决这些问题，研究团队由香港科技大学计算机科学与工程系及化学与生物工程系的助理教授陈浩领导，与五家医院合作，收集了1,748名患者的数据。这些数据包括T1加权（T1W）、T2加权（T2W）和质子密度加权（PDW）等MRI序列，涵盖矢状面、冠状面和轴面。通过整合从关节镜检查获得的数据——被广泛认为是诊断膝关节问题的确凿方法——研究人员进行了彻底分析，并在这些患者中确定了12种常见的膝关节异常。
该团队开发了一种采用MRI序列的共面注意力深度学习模型（CoPAS）来对这些异常进行分类。该模型有效捕捉了不同扫描参数下的强度差异，并通过分离每个MRI序列的空间特征来辨别与异常类型之间的复杂关系，从而实现了高分类准确率。
为了评估该模型的有效性，进行了模拟临床测试，放射科医师首先被要求仅根据MRI扫描独立做出诊断。在休息后，他们被要求使用模型输出作为指导重新评估他们的诊断。
比较结果表明，该模型的平均诊断准确率超过了初级放射科医师，并与高级放射科医师相当。总体上，所有放射科医师在该模型的帮助下显示出显著改善的准确性。
附加的可解释性分析将临床经验数据与模型输出进行了对比。结果表明，该模型的决策过程始终与临床实践一致，表明它已经建立了一套与人类放射科医师使用的规则相似的规则，使其能够在临床案例中提供更可靠的结果。
陈教授表示：“创新的CoPAS模型展现了与放射科医师相似的诊断性能。它尤其有助于缩小经验不足的医生与资深医生之间的经验差距。”
“我们的研究结果突显了人工智能在医疗健康领域的潜力，展示了其发现和验证新的临床见解的能力，”他补充道。
陈教授是该论文的通讯作者之一，另一位是南方医科大学第三附属医院的赵迎华教授。共同第一作者包括香港科技大学计算机科学与工程系的博士生邱泽林和来自南方医科大学第三附属医院的谢卓耀博士。
