KneeXNet-2.5D：一种面向临床且可解释的基于MRI的膝关节软骨和半月板分割深度学习框架

膝部影像为何与日常生活息息相关

数以百万计的人因骨关节炎而饱受膝痛之苦，这是一种缓慢且常常难以察觉的关节缓冲组织退化。医生可以在磁共振成像（MRI）中看到这些损伤，但手工仔细勾画薄薄的软骨层和半月板既耗时又枯燥。本研究介绍了KneeXNet‑2.5D，一种旨在自动、快速且可靠地完成这些勾画的人工智能（AI）系统——有望帮助临床医生更早发现问题并更精确地监测治疗效果。

将原始扫描变为可用图像

在AI模型理解膝关节之前，必须先对扫描图像进行清理并聚焦到重要区域。研究人员构建了一个流程，先收集标准MRI图像，然后使用简单的轮廓和边界框标记膝关节。一个独立的检测模型会自动定位并裁剪出关节区域，使主AI系统只看到临床相关的区域，而不会被周围的肌肉和背景干扰。这种有针对性的预处理既降低了计算任务难度，也与放射科医生在脑中放大关节的做法相呼应。

在二维与三维之间的聪明折中

传统医学影像AI工具常在平面2D切片（效率高但可能丢失上下文）与完整3D模型（能力强但需要巨大数据和昂贵硬件）之间抉择。KneeXNet‑2.5D采取了中间路径。它同时查看某一切片及其相邻切片，因此可以观察结构如何从一张图延续到下一张，而无需承担完整3D处理的全部开销。系统核心是一个U‑Net风格的网络，学习标注四个关键结构——三处软骨区域和半月板——以及背景。若干该网络的不同版本并行训练，每个版本看到稍微模糊或调整大小的图像，然后将它们的预测融合为最终结果。

为应对混乱的真实世界扫描而设计

临床MRI扫描很少完美。图像可能有噪点、略微模糊，或因不同医院和机器的采集设置而各异。为此，团队在训练过程中系统地加入了受控的模糊和尺度变化。这教会了AI在图像质量变化时仍能识别相同的解剖结构。在正式测试中，完整的KneeXNet‑2.5D集成体产生了高度准确的分割结果，与专家勾画在所有软骨区域和半月板上都非常接近。它在图像被改变时也保持稳定，显示出强健的鲁棒性得分。与在相同数据集上训练的纯3D模型相比，KneeXNet‑2.5D在使用更少内存且训练与运行时间更实用的情况下取得了更好的准确性，这对于没有顶级计算资源的医院尤为重要。

让AI的“思考”可见

鉴于临床人员必须信任自动系统的输出，作者添加了可解释性层。对AI输出的每个像素，他们计算一个不确定性分数，然后以颜色覆盖层显示：冷色表示模型自信的决策，暖色标出模型较不确定的区域，通常出现在薄边缘或软骨与半月板的模糊地带。当研究人员有意仅扰动高不确定性区域时，性能明显下降，表明这些区域对模型决策确实重要。两位骨科医生在查看带有不确定性热图的分割结果后确认，被高亮的区域常与他们认为棘手或有不同解释空间的位置相吻合。

从研究代码到实用的临床工具

为促进采纳，团队发布了完整包：一个精心注释的MRI数据集、详细的标注指南、训练好的AI模型以及一个轻量级的基于网页的查看器。在该查看器中，用户可以上传膝部MRI、浏览切片、看到AI用颜色编码的软骨和半月板轮廓，并检查不确定性覆盖层——所有这些都可在普通浏览器中完成。该设计旨在使高级图像分析不仅对大型学术中心可用，也能惠及计算资源有限的较小医院和农村诊所。

这对患者和临床医生意味着什么

对患者而言，像KneeXNet‑2.5D这样的准确且可解释的工具可能意味着更快、更一致的膝部MRI判读、更好的软骨随时间变化跟踪，以及在疼痛和功能丧失变得严重之前更早发现关节损伤。对临床医生和卫生系统而言，它提供了一种减少重复手工勾画、降低不同读片者间变异并将定量膝部影像推广到更大人群的方法。尽管该模型仍需在更多样化的数据集和扫描仪上进一步测试，这项工作表明经过精心设计的AI可以既强大又透明，使先进的膝部影像分析更接近日常临床应用。

引用: Sanogo, M., Gao, F., Littlefield, N. et al. KneeXNet-2.5D: a clinically-oriented and explainable deep learning framework for MRI-based knee cartilage and meniscus segmentation. npj Health Syst. 3, 18 (2026). https://doi.org/10.1038/s44401-026-00072-5

关键词: 膝部MRI, 骨关节炎, 软骨分割, 医学人工智能, 半月板