| 摘要: |
| 目的 构建基于迁移学习和贝叶斯优化的早期膝关节骨关节炎（KOA）（KL分级0~2级）深度学习诊断系统，并通过
内外部数据集验证模型的性能。 方法 收集骨关节炎倡议公开数据库2004—2015年4 796例患者膝关节前后位、双膝站立负重
X线片8 205张，按70∶15∶15比例分为训练集5 742张、内部验证集1 229张和内部测试集1 234张；回顾性收集2024年9至12月
宁波市第二医院收治的123例膝关节疼痛患者站立位双膝关节X线片246张为外部验证集。比较预训练策略（RadImageNet、ImageNet、无预训练）与超参数方法（贝叶斯优化、默认配置）的交互效应；通过10折交叉验证评估模型的稳定性，结合Grad-CAM、tSNE、校准曲线和决策曲线分析模型可靠性。通过外部验证集评估模型在真实临床场景中的性能。 结果 RadImageNet _贝叶斯
（RadImageNet 预训练迁移学习与贝叶斯优化组合模型）在内部测试集上达到 85.05%的准确率（AUC=0.950 7）。10 折交叉验证
显示性能稳定（AUC=0.950 7±0.023 3）。RadImageNet _贝叶斯在外部验证集的准确率为 72.36%（AUC=0.941 5），较内部测试
集下降12.69%，符合不同临床环境验证的预期范围。 结论 本研究构建的深度学习诊断系统RadImageNet _贝叶斯在早期KOA
诊断中表现出良好的临床适用性和跨域稳定性，但其对KL分级1级的识别困难反映了该阶段影像特征的临床本质，提示需结合临
床症状进行综合诊断。 |
| 关键词: |
| DOI：10.12056/j.issn.1006-2785.2025.45.22.2025-1919 |
| 分类号: |
| 基金项目:浙江省省级临床重点专科建设项目（2024021）；宁波市骨科与运动康复临床医学研究中心建设项目（2024L004） |
|
|
|
|
| Abstract: |
|
| Key words: |
