AI驱动的多标签深度学习在X射线膝关节异常筛查中的双中心研究：突破传统影像的软组织诊断瓶颈

本研究针对膝关节X射线难以可视化软组织损伤的临床难题，开发了一种基于AI的多标签深度学习模型。通过YOLOv11自动定位膝关节区域，并采用ResNet152等五种卷积神经网络对半月板撕裂（MENI）、前交叉韧带损伤（ACL）等八类异常进行同步分类。模型在双中心4215例患者数据中验证，内外部测试mAP最高达90.1%，并开发了Windows及Web端应用。该研究实现了X射线对软组织异常的精准筛查，为资源有限地区提供了低成本、高效率的辅助诊断工具。

膝关节损伤是临床最常见的肌肉骨骼问题之一，尤其半月板撕裂和韧带损伤若未及时诊断，易导致创伤后骨关节炎（PTOA）等长期并发症。目前磁共振成像（MRI）和关节镜检查虽是软组织损伤诊断的“金标准”，但MRI成本高、耗时长，关节镜则具侵入性风险。X射线虽普及且廉价，传统上却难以评估软组织异常。这一矛盾在医疗资源匮乏地区尤为突出，亟需一种既能保留X射线便捷性、又能突破其诊断局限的新方法。

为解决这一难题，来自新疆医科大学第六附属医院等机构的研究团队开展了一项双中心回顾性研究，探索利用人工智能（AI）赋能X射线影像，实现膝关节多异常同步筛查的可行性。相关成果发表于《Scientific Reports》。

研究团队汇集了2019年至2025年间两家医疗中心的4215例患者数据，所有患者均接受膝关节X射线和MRI检查。首先采用YOLOv11模型自动定位X射线图像中的膝关节区域，再通过五种预训练的卷积神经网络（包括ResNet152、DenseNet121等）对八类常见膝关节异常进行多标签分类，涵盖半月板撕裂（MENI）、前交叉韧带损伤（ACL）、后交叉韧带损伤（PCL）、内侧副韧带损伤（MCL）、外侧副韧带损伤（LCL）、关节积液（EFFU）、骨髓水肿或挫伤（CONT）及软组织损伤（STI）。训练过程中采用空间增强技术提升模型鲁棒性，并以平均精度均值（mAP）、F1分数和曲线下面积（AUC）等指标评估性能。

关键技术方法

研究利用YOLOv11实现膝关节自动定位，通过五种CNN架构进行多标签分类；数据预处理包括图像归一化和兴趣区域（ROI）提取；采用旋转、翻转等空间增强策略优化训练集；模型性能通过mAP、AUC等指标验证；开发了基于PyQt的Windows应用和Flask框架的Web应用，集成GradCAM等可解释性AI技术提供决策依据。

膝关节定位性能

YOLOv11模型在膝关节检测中表现出色，其mAP@0.5达到0.995。置信度-召回曲线显示，当置信度阈值为0.652时，F1分数达到峰值1.00，表明模型在精准定位与召回间取得最佳平衡。

多标签分类性能

在八类异常分类任务中，ResNet152表现最优，内部测试mAP达90.1%，外部测试AUC最高为0.863（EFFU）。其余模型如DenseNet121和ShuffleNetV2在部分指标（如召回率）上接近ResNet152，但MobileNetV3和VGG19性能显著落后，尤其在ACL和PCL分类中AUC低于0.65。

端到端工作流性能

将YOLOv11与ResNet152整合后，在外部测试集上实现mAP 86.1%、F1分数84.0%。案例验证显示，该流程对ACL撕裂合并半月板损伤等复杂病变的检测结果与MRI和关节镜高度一致。

应用开发与可解释性

团队开发了支持DICOM格式的Windows桌面应用（DeepKneeXR）和Web端应用，临床案例表明其可准确识别多类共存异常。通过GradCAM等可解释性技术生成热力图，直观展示模型决策依据，如ACL损伤对应的高信号区域。

结论与意义

该研究首次实现了基于X射线的膝关节多异常AI同步筛查，突破了传统X射线对软组织损伤的诊断局限。模型通过端到端流程将MRI依赖的检测任务转化为低成本、高可及性的初级筛查工具，尤其适用于医疗资源匮乏地区。未来通过纳入多视角X射线图像、融合临床数据及探索视觉Transformer（ViT）等新架构，有望进一步提升模型泛化能力与临床实用性。