変形性関節症イニシアチブ（OAI）データを用いた大規模縦断的構造-疼痛関連研究のための解釈可能で信頼性の高いAIフレームワーク
本研究は、深層学習に基づくMRI変形性関節症膝スコア（MOAKS）予測と解釈可能な統計モデリングを組み合わせたAIフレームワークを開発し、OAIデータを用いて膝の構造異常と痛みの関連を大規模に調査した。共形予測による不確実性の定量化により、高信頼度の予測のみをフィルタリングし、骨髄病変（BML）、軟骨喪失（CART）、半月板押し出し（ME）の性能を大幅に向上（MCCがそれぞれ0.69→0.91、0.45→0.80、0.59→0.89）。2,175膝の高信頼度データに基づく縦断的潜在クラス混合モデルにより、急速および安定した疼痛軌跡が特定され、急速進行群のオッズ比はBML 1.62、CART喪失1.83、ME 2.50であり、これらの構造異常が変形性関節症の痛みと機能進行の危険因子として重要であることが示された。
arXivに投稿された新しい研究（arXiv:2606.05357）は、膝の構造異常と痛みの関係を大規模に縦断研究するための、解釈可能で信頼性の高い人工知能フレームワークを提案しています。この論文はJincheng Yu氏を含む8人の著者によって執筆され、2026年6月3日に提出されました。研究チームは、変形性関節症イニシアチブ（OAI）のデータを活用し、深層学習に基づくMRI変形性関節症膝スコア（MOAKS）予測と解釈可能な統計モデリングを組み合わせています。
フレームワークでは、まず膝のMRI画像から直接MOAKS特徴を予測する深層学習システムを開発し、共形予測法を統合して予測の不確実性を定量化しました。この不確実性を考慮した戦略により、モデル出力を明示的にフィルタリングし、膝レベルで高信頼度のMOAKS予測のみを保持することができます。その後、縦断的潜在クラス混合モデル（LCMM）を適用して、骨髄病変（BML）、軟骨喪失（CART）、半月板押し出し（ME）という3つの主要な構造異常と、4つの補完的な膝痛測定値との関連を調べました。
結果として、このフレームワークは3つのMRI定義異常すべてにおいてマシューズ相関係数（MCC）を大幅に改善しました。例えば、BMLのMCCは0.69から0.91、CARTは0.45から0.80、MEは0.59から0.89に上昇しました。これらの高信頼度予測を使用して、LCMM分析のサンプルサイズを2,175膝に拡大し、統計的検出力を高めました。
分析により、急速進行群と安定進行群の2つの異なる疼痛軌跡が特定されました。急速進行群の推定オッズ比（95%信頼区間）は、BMLが1.62（1.12-2.35）、CART喪失が1.83（1.24-2.70）、MEが2.50（1.75-3.57）でした。これらの結果は、これらの構造異常が変形性関節症の痛みと機能進行の危険因子として重要であることを強調しています。このフレームワークの信頼性と解釈可能性は、大規模な臨床研究に強力なツールを提供し、変形性関節症の個別化治療戦略や早期介入の開発を促進する可能性があります。