[论文解读] Confidence-Driven Deep Learning Framework for Early Detection of Knee Osteoarthritis

Zhe Wang, Aladine Chetouani+8 more|arXiv (Cornell University)|Mar 23, 2023

Osteoarthritis Treatment and Mechanisms被引用 6

一句话总结

本文提出了一种基于孪生网络的深度学习框架，并采用置信度驱动的混合损失策略，用于从X射线图像中早期检测膝骨关节炎（KOA）。通过将训练批次划分为低、中、高置信度子集，并应用加权混合损失函数，模型提升了分类性能，在KL-0与KL-2分类任务中达到88.38%的准确率，优于先前方法，同时通过注意力图增强了可解释性。

ABSTRACT

Knee Osteoarthritis (KOA) is a prevalent musculoskeletal disorder that severely impacts mobility and quality of life, particularly among older adults. Its diagnosis often relies on subjective assessments using the Kellgren-Lawrence (KL) grading system, leading to variability in clinical evaluations. To address these challenges, we propose a confidence-driven deep learning framework for early KOA detection, focusing on distinguishing KL-0 and KL-2 stages. The Siamese-based framework integrates a novel multi-level feature extraction architecture with a hybrid loss strategy. Specifically, multi-level Global Average Pooling (GAP) layers are employed to extract features from varying network depths, ensuring comprehensive feature representation, while the hybrid loss strategy partitions training samples into high-, medium-, and low-confidence subsets. Tailored loss functions are applied to improve model robustness and effectively handle uncertainty in annotations. Experimental results on the Osteoarthritis Initiative (OAI) dataset demonstrate that the proposed framework achieves competitive accuracy, sensitivity, and specificity, comparable to those of expert radiologists. Cohen's kappa values (k > 0.85)) confirm substantial agreement, while McNemar's test (p > 0.05) indicates no statistically significant differences between the model and radiologists. Additionally, Confidence distribution analysis reveals that the model emulates radiologists' decision-making patterns. These findings highlight the potential of the proposed approach to serve as an auxiliary diagnostic tool, enhancing early KOA detection and reducing clinical workload.

研究动机与目标

• 解决传统KL分级方法的局限性，后者将KOA严重程度视为离散类别，而实际上其具有连续且有序的特性。
• 通过在分类框架中整合类似回归的置信度水平，提升早期KOA检测（特别是KL-0与KL-2的区分）的性能。
• 通过生成可视化决策相关区域的注意力图，提升模型的可解释性。
• 通过引入数据驱动的、基于置信度的训练策略，减少对主观医生判断的依赖。

提出的方法

• 采用孪生网络架构，并在多个层级引入全局平均池化（GAP）层，以增强分层特征提取能力。
• 根据模型预测的置信度分数，动态地将训练批次划分为低、中、高置信度子集。
• 提出一种新型混合损失函数，结合三种损失分量——每种均针对样本的置信度水平进行定制——并采用可学习的优化权重。
• 最终损失为三种置信度特定损失的加权和，使模型能够优先关注高置信度样本，同时仍能从不确定样本中学习。
• 采用步长卷积代替最大池化，以保留空间信息，提升特征表示能力。
• 应用Grad-CAM生成注意力图，提升模型透明度与临床信任度。

实验结果

研究问题

• RQ1 基于置信度的损失策略是否能提升深度学习模型在X射线图像中早期KOA检测的性能？
• RQ2 按置信度水平划分训练数据如何影响模型的泛化能力与分类准确率？
• RQ3 在分类框架中整合类似回归的置信度水平，能在多大程度上提升模型的鲁棒性与可解释性？
• RQ4 所提出的混合损失函数是否能在有序KOA分级任务中超越标准交叉熵损失与均方误差损失？
• RQ5 在孪生架构中使用GAP层相比标准CNN，如何提升特征学习能力？

主要发现

• 所提出的Siamese-GAP模型在KL-0（无骨关节炎）与KL-2（轻度骨关节炎）二分类任务中达到88.38%的准确率，优于Tiulpin等人提出的基线模型（参数更少，准确率为86.2%）。
• 混合损失策略通过优化的动态权重，显著提升了检测性能，有效调节了低、中、高置信度样本的贡献。
• 由于在不同网络深度集成多个GAP层，模型展现出更优的特征提取能力，增强了空间表征能力。
• 通过Grad-CAM生成的注意力图提供了临床可解释的洞察，提升了模型透明度，支持对AI驱动诊断的信任。
• 该方法通过引入置信度水平，有效建模了KOA严重程度的连续性，相比离散分类，提供了更平滑的概率输出。
• 研究识别出位深降低（24位降至8位）的局限性，以及手动调整超参数的必要性，提示未来工作应聚焦于自动化权重调节与更智能的样本划分策略。