대규모 경도성 관절염 연구를 위한 오스테오아르트리티스 초기성(OAI)에서 얻은 데이터를 이용한 시간에 따른 구조-통증 연관 연구에 대한 신뢰할 수 있는 및 해석 가능한 AI 프레임워크

arXiv:2606.05357v1 발표 유형: 새로운 논문 초록: 목적: MRI 오스테오아르트리트膝부 점수(MOAKS) 예측을 위한 깊은 학습 기반 AI 프레임워크를 개발하여, Osteoarthritis Initiative(OAI)에서 제공하는 데이터를 사용하여 대규모 구조-통증 관계를 연구하기 위해 통계적 모델링을 사용하여 해독할 수 있는 프레임워크를 개발하는 것입니다. 재료 및 방법: 우리는 먼저 깊은 학습 프레임워크를 개발하여 MOAKS 특성을 직접 근골격계 MRI에서 예측하고, 예측 불확실성을 제공하기 위해 conformal prediction을 통합했습니다. 이 불확실성 인식 전략은 모델 출력을 명시적으로 필터링하여, 근골격계 단계에서 높은 자신감을 갖는 MOAKS 예측만 유지할 수 있습니다. 두 번째로, 우리는 경도성 고정 클래스 혼합 모델(LCMM)을 적용하여, 주요 구조적 결함과 네 가지 보완적인膝통증 측정을 연관시키는지 조사했습니다. 결과: MRI 정의된 세 가지 결함(즉, 뼈髓수종(BML), cartilage 손실(CART), meniscal extrusion (ME))에서,我们的프레임워크는 Matthews 상관 계수(MCC)와 일부 다른 지표에서 상당히 향상되었습니다. 예를 들어, MCC는 BML에서 0.69에서 0.91로, CART에서 0.45에서 0.80으로, ME에서 0.59에서 0.89로 증가했습니다. 이러한 높은 자신감의 예측을 사용하여, 우리는 LCMM 분석에 대한 샘플 크기를 2,175 개의膝부로 확장했습니다. 두 가지 고유한 통증 경로가 식별되었습니다(급속 및 안정된 통증 진행). 빠른 진행 그룹의 추정 확률比(95% CI)는 1.62 (1.12-2.35)로 BML, 1.83 (1.24-2.70)로 CART 손실, 2.50 (1.75-3.57)로 ME였습니다. 결론: 이러한 결과는 이러한 구조적 결함이 통증과 기능 진행에 대한 위험 요소로 중요하다는 것을 강조합니다.