一種可解釋且可信賴的AI框架：用於基於骨關節炎倡議（OAI）資料的大規模縱向結構-疼痛關聯研究
本研究開發了一種結合深度學習MRI骨關節炎膝關節評分（MOAKS）預測與可解釋統計建模的AI框架，利用OAI資料大規模研究膝關節結構異常與疼痛的關係。透過共形預測實現不確定性量化，僅保留高置信度預測，顯著提升了骨 marrow 病變（BML）、軟骨損失（CART）和半月板擠出（ME）的預測效能（MCC分別從0.69提升至0.91、0.45至0.80、0.59至0.89）。基於2,175個膝關節的高置信度資料，縱向潛在類別混合模型識別出快速和穩定兩種疼痛軌跡，快速進展組中BML、CART損失和ME的比值比分別為1.62、1.83和2.50，強調了這些結構異常作為骨關節炎疼痛和功能進展風險因素的重要性。
一項發表在arXiv上的新研究（arXiv:2606.05357）提出了一種可解釋且可信賴的人工智慧框架，用於大規模縱向研究膝關節結構異常與疼痛之間的關係。該論文由Jincheng Yu等八位作者共同完成，於2026年6月3日提交。研究團隊利用骨關節炎倡議（OAI）的資料，結合了基於深度學習的MRI骨關節炎膝關節評分（MOAKS）預測與可解釋的統計建模，旨在解決傳統方法在結構-疼痛關聯研究中的可重複性和可靠性問題。
在該框架中，研究人員首先開發了一個深度學習系統，能夠直接從膝關節MRI影像中預測MOAKS特徵，並整合了共形預測方法以量化每次預測的不確定性。這種不確定性感知策略允許模型輸出被顯式過濾，僅保留膝關節級別的高置信度預測，從而顯著提高了預測的可靠性。隨後，研究團隊應用縱向潛在類別混合模型（LCMM）來檢查三種關鍵結構異常——骨 marrow 病變（BML）、軟骨損失（CART）和半月板擠出（ME）——與四種互補的膝關節疼痛測量指標之間的關聯。
實驗結果顯示，該框架在三種MRI定義的異常上均取得了顯著改進。例如，骨 marrow 病變（BML）的馬修斯相關係數（MCC）從0.69躍升至0.91，軟骨損失（CART）從0.45提升至0.80，半月板擠出（ME）從0.59增至0.89。利用這些高置信度預測，研究團隊將LCMM分析的樣本量擴大到2,175個膝關節，從而增強了統計效力。
基於這些資料，縱向潛在類別混合模型確定了兩種不同的疼痛軌跡：快速進展組和穩定進展組。在快速進展組中，骨 marrow 病變（BML）的比值比為1.62（95%置信區間：1.12-2.35），軟骨損失（CART）為1.83（1.24-2.70），半月板擠出（ME）為2.50（1.75-3.57）。這些結果強調了這些結構異常在骨關節炎疼痛和功能進展中的重要作用。該框架的可靠性和可解釋性為大規模臨床研究提供了有效工具，有望推動骨關節炎的個性化治療策略和早期干預措施的開發。