一种可解释且可信赖的AI框架：用于基于骨关节炎倡议（OAI）数据的大规模纵向结构-疼痛关联研究
本研究开发了一种结合深度学习MRI骨关节炎膝关节评分（MOAKS）预测与可解释统计建模的AI框架，利用OAI数据大规模研究膝关节结构异常与疼痛的关系。通过共形预测实现不确定性量化，仅保留高置信度预测，显著提升了骨 marrow 病变（BML）、软骨损失（CART）和半月板挤出（ME）的预测性能（MCC分别从0.69提升至0.91、0.45至0.80、0.59至0.89）。基于2,175个膝关节的高置信度数据，纵向潜在类别混合模型识别出快速和稳定两种疼痛轨迹，快速进展组中BML、CART损失和ME的比值比分别为1.62、1.83和2.50，强调了这些结构异常作为骨关节炎疼痛和功能进展风险因素的重要性。
一项发表在arXiv上的新研究（arXiv:2606.05357）提出了一种可解释且可信赖的人工智能框架，用于大规模纵向研究膝关节结构异常与疼痛之间的关系。该论文由Jincheng Yu等八位作者共同完成，于2026年6月3日提交。研究团队利用骨关节炎倡议（OAI）的数据，结合了基于深度学习的MRI骨关节炎膝关节评分（MOAKS）预测与可解释的统计建模，旨在解决传统方法在结构-疼痛关联研究中的可重复性和可靠性问题。
在该框架中，研究人员首先开发了一个深度学习系统，能够直接从膝关节MRI图像中预测MOAKS特征，并集成了共形预测方法以量化每次预测的不确定性。这种不确定性感知策略允许模型输出被显式过滤，仅保留膝关节级别的高置信度预测，从而显著提高了预测的可靠性。随后，研究团队应用纵向潜在类别混合模型（LCMM）来检查三种关键结构异常——骨 marrow 病变（BML）、软骨损失（CART）和半月板挤出（ME）——与四种互补的膝关节疼痛测量指标之间的关联。
实验结果显示，该框架在三种MRI定义的异常上均取得了显著改进。例如，骨 marrow 病变（BML）的马修斯相关系数（MCC）从0.69跃升至0.91，软骨损失（CART）从0.45提升至0.80，半月板挤出（ME）从0.59增至0.89。利用这些高置信度预测，研究团队将LCMM分析的样本量扩大到2,175个膝关节，从而增强了统计效力。
基于这些数据，纵向潜在类别混合模型确定了两种不同的疼痛轨迹：快速进展组和稳定进展组。在快速进展组中，骨 marrow 病变（BML）的比值比为1.62（95%置信区间：1.12-2.35），软骨损失（CART）为1.83（1.24-2.70），半月板挤出（ME）为2.50（1.75-3.57）。这些结果强调了这些结构异常在骨关节炎疼痛和功能进展中的重要作用。该框架的可靠性和可解释性为大规模临床研究提供了有效工具，有望推动骨关节炎的个性化治疗策略和早期干预措施的开发。