骨關節炎是最常見的慢性疾病之一，全世界有超過2.3億人受其影響。骨關節炎是一種全關節疾病，最常見於中老年人群的膝關節和髖關節。髖關節骨性關節炎的診斷和嚴重程度分級依賴於各種臨床和影像學表現。骨盆x線片是懷疑有髖關節骨關節炎的患者最常用的影像學檢查手段。髖關節骨關節炎的x線特征包括關節間隙狹窄(JSN)、骨贅、軟骨下硬化、軟骨下囊腫和股骨頭塌陷。然而，對這些特性的準確評估十分繁瑣且需具備相關的專業知識，因此對於缺乏經驗的閱讀者來說極富有挑戰。

        人工智能在臨床常規影像學診斷中的潛在價值仍有待研究。先前已有研究證明了基於深度學習算法評在x線片上評估髖骨關節炎的可行性。然而，在臨床實踐中，對受累關節疾病嚴重程度的評估是評估患者治療的關鍵。Kellgren-Lawrence評分是對各種相關影像學骨關節炎特征的濃縮分級。對於影像學所表現的膝關節骨關節炎，已有研究利用Kellgren-Lawrence評分探討了深度學習對x線片上的疾病嚴重程度進行分類的潛力。

        近日，發表在Radiology雜誌的一項研究開發並驗證了一種多任務深度學習模型，該模型可從x線片自動提取髖關節骨關節炎的影像學特征，特別是股骨骨贅(FOs)、髖臼骨贅(AOs)、JSN、軟骨下硬化和軟骨下囊腫，並將其性能與主治放射科醫生的性能進行了比較，為臨床對髖關節骨關節炎患者個性化治療方案的製定提供了有價值的參考依據。

        本項回顧性研究對骨關節炎倡議(OAI)參與者的負重骨盆前後位的x線片進行了評估。從2004年2月到2006年5月招募參與者進行基線測量，並在48個月後進行隨訪。股骨骨贅(FOs)、髖臼骨贅(AOs)和關節間隙狹窄(JSN)根據國際骨關節炎研究協會分級為缺如、輕度、中度或重度。並記錄了軟骨下硬化和軟骨下囊腫的有或無。用分裂樣本驗證將參與者分為訓練集、驗證集和測試集，分別位80% (n = 3494)、10% (n = 437)和10% (n = 437)。多任務神經網絡以DenseNet-161為基礎(DenseNet-161是一個使用多任務損失函數訓練的共享卷積特征提取器)。

        本研究共納入4368名參與者(平均年齡61.0歲±9.2歲[標準差];2538例女性)，並對4368名參與者的7738張負重骨盆前後位片上的15364個髖關節進行了評估。在內部測試集中，用於評估這五個特征的模型的準確性對於FOs而言是86.7%(1333/1538),AOs為69.9%(1075/1538),JSN為81.7%(1257/1538),軟骨下硬化為95.8%(1473/1538),軟骨下囊腫為97.6%(1501 1538);在外部測試集中用於評估這五個特征的模型的準確性對於FOs而言是82.7%(86/104),AOs為65.4%(68/104),JSN為80.8%(84/104)，軟骨下硬化為88.5%(92 104)，軟骨下囊腫為91.3%(95/104)。

        綜上所述，本研究證明了多任務深度學習方法在x線片上對髖關節骨性關節炎特征進行分級的可行性，同時證明了其性能與放射科醫生相當。本研究所提出的多任務深度學習模型可用於大型流行病學研究中的髖關節骨性關節炎特征的結構性評估，為臨床進行快速、準確的評估提供了技術支持。