基于图时序学习的膝关节炎进展预测OA

为提高膝骨关节炎(KOA)进展预测的准确性,针对现有方法难以同时刻画关节结构退变特征与随访时间关联的问题,提出了一种图时序协同深度学习模型。该模型以轻量化多尺度卷积网络为基础,结合层级通道注意力与结构敏感特征重加权机制,以增强软骨退化及骨赘形成等关键病灶表征能力;同时构建随访时间点之间的潜在病程关联图,引入结构感知图卷积–门控循环单元(SA-GCN-GRU)耦合结构以刻画KOA进展的动态轨迹,并设计时域—结构双注意力机制实现全局与局部退变信号融合。实验基于Osteoarthritis Initiative(OAI)数据集并采用五折交叉验证,结果显示该模型在AUC、平均精度(AP)、F1-score等指标上均取得较好的结果,AUC达0.86,AP为0.79,F1-score提升6.7%;消融实验验证了图时序融合与注意力机制的有效性。研究表明,结构–时序双域特征建模策略在捕获退行性病程演化规律方面具有显著优势。