基于阿尔-比鲁尼地球半径元启发式优化器与LSTM分类器的膝骨关节炎准确分类与预测

这对疼痛膝盖意味着什么

由骨关节炎引起的膝痛影响数亿人，并最终可能导致关节置换。如今，医生仍然在很大程度上依赖肉眼读取X光影像，这既可能错过早期病变，也依赖个体判断。该研究展示了一个精心设计的人工智能（AI）系统如何以高精度读取膝部X光，提供一种更快速、更一致的方式来早期发现问题，帮助患者避免严重残疾。

理解膝关节的磨损与退化

膝骨关节炎是关节软骨长期破坏的过程，随后伴随下方骨骼的改变。老年人、更年期后的女性、肥胖者或既往膝部损伤者尤其常见。许多患者在损伤已进展到较晚阶段才被诊断，此时疼痛和僵硬已使日常活动困难，关节置换可能成为唯一选择。现有方法结合症状、体格检查以及对X光或MRI的目视检查，这些方法并不完美，且常常在疾病相对较晚时才被发现。

AI如何学习读取膝部X光

研究者构建了一个多步骤的AI流程，将原始膝部X光图像逐步转换为一个简单的决策：骨关节炎或正常。首先，他们使用了大型的预训练图像识别网络——AlexNet、VGG19和GoogleNet——来自动从每张X光中提取视觉模式。这些网络最初在日常照片上训练，能够识别诸如关节间隙变窄和细小骨赘等难以用肉眼量化的微妙形状与纹理。在这些选项中，GoogleNet产生了区分病变与健康膝关节的最有信息量的图像特征。

让智能筛选器挑出最具判别力的线索

现代图像网络可以从一张图片生成数千个数值特征，但并非所有特征都有用。把所有特征都输入分类器可能会增加噪声、减慢计算并甚至降低准确率。为了解决这个问题，作者使用了一种称为阿尔-比鲁尼地球半径（BER）优化器的二元形式的搜索策略。该算法的行为类似一群数字探险者，它们不断在“解空间”中在探索新区域与精炼有前景区域之间分配努力。在这里，每个探险者表示一组不同的图像特征子集。经过多轮迭代，算法学习出哪些特征组合最能区分正常与骨关节炎膝，并丢弃冗余或无益的信息。

将特征按类时间步转换为诊断

一旦选出最相关的特征，就将它们传入一种称为长短期记忆（LSTM）的神经网络。尽管LSTM通常用于时间序列，在本研究中这些特征值被按序列排列。LSTM逐步处理这个有序列表，在每个阶段决定保留哪些信息、遗忘哪些信息。实际上，它充当了一个强大的筛选器，捕捉特征之间的更高层次关系，而不是孤立地看待每一个数值。随后再次使用BER优化器来微调LSTM的内部设置，平衡其学习速度、复杂度以及对新X光的泛化能力。

系统表现如何？

作者在一个公开数据集中使用3,835张带标签的膝部X光进行了训练与测试，并将数据划分为训练、验证和最终测试组。他们比较了多种优化器与分类器的组合，包括多层感知机网络和由不同搜索方法（如粒子群与鹰隼优化）引导的LSTM。获胜设计是：使用GoogleNet提取特征，经二元BER方法筛选，再由BER调优的LSTM分类——在测试集上达到了约99.5%的准确率。该模型还表现出很高的敏感性和特异性，意味着它很少漏诊病变膝关节，也很少将健康膝误判为病变。统计检验（ANOVA与Wilcoxon符号秩检验）证实这些提高并非偶然。

速度、效率与可靠性

除了准确率外，团队还分析了计算成本与鲁棒性。他们测量了每种优化方法所需的计算能力、内存与时间。基于BER的方法在使用更少资源且收敛更快的情况下达到了最佳性能。该模型还能很好地处理正常与骨关节炎图像之间的自然不平衡：其平衡准确率几乎与总体准确率相匹配，表明它并非简单偏向更常见的类别。通过重复运行、置信区间以及错误的可视化诊断等额外检查，结果表明系统行为稳定且可复现。

这对患者可能意味着什么

通俗地说，这项工作表明，一个AI系统可以检查标准的膝部X光并以极少错误判断是否存在骨关节炎。通过智能选择值得信赖的图像细节并谨慎调优其决策步骤，该方法优于领域内许多现有的AI方法。尽管该研究基于单一数据集，仍需在不同医院、年龄组和成像设备上进一步验证，但它指向了未来的诊室：计算机可以快速标记早期关节损伤供医生复核，帮助他们及早干预，可能延缓或避免膝关节置换手术。

引用: Diab, A.G., El-Kenawy, ES.M., Areed, N.F.F. et al. Accurate classification and prediction of knee osteoarthritis based on Al-Biruni Earth Radius metaheuristic optimizer and LSTM classifier. Sci Rep 16, 13013 (2026). https://doi.org/10.1038/s41598-026-46131-7

关键词: 膝骨关节炎, 医学影像人工智能, 深度学习, X光分析, 元启发式优化