多序列膝关节磁共振成像（MRI）是一种非侵入式的先进诊断技术，可准确评估膝关节病理。然而，解读MRI影像的过程非常复杂，须依靠放射科医生的高度专业知识，而且十分耗时。香港科技大学（科大）工学院研发了一款新型深度学习模型，以协助医生辨别12种常见的膝关节异常状况，同时提升诊断的准确度和效率。
本研究由香港科大的智慧医疗实验室（Smart Lab）与广州南方医科大学第三附属医院合作开展，其成果最近发表于《自然通讯》期刊，论文标题为「Learning Co-Plane Attention Across MRI Sequences for Diagnosing Twelve Types of Knee Abnormalities」。
膝关节是一个复杂的铰链型关节，也是人体主要的承重关节之一，支撑我们在日常生活中的各种动作。老化或受伤均可引致各种异常状况，造成痛楚及损害膝关节功能，影响患者的生活质素。要为每位病人制订适切的治疗方案，就必须先有精准的诊断。
由于膝关节的解剖结构相当复杂，因此采用不同的成像扫描方法，往往会得出不同的参数。此外，若医生经验不足，亦未必能够辨识出一些细微病变，可能会影响对病理的判断。
针对这些问题，研究团队与五家医院合作，收集到1,748名患者的资料，以此建立了一套数据集，当中包括T1加权（T1W）丶T2加权（T2W）和质子密度加权（PDW）MRI序列的矢状面丶冠状面和轴面成像。
在膝关节病理的诊断中，医学界普遍以关节镜检查结果为黄金标准。因此，研究人员将上述数据集与关节镜检查所得的资料结合，再进行全面分析，以确定这些病人所患的12类常见膝关节异常状况。
另一方面，团队开发了一款深度学习模型，利用人工智能对这些病例进行自动分类。该模型结合了跨MRI序列的共平面注意力机制（CoPAS），并将空间特徵与MRI序列进行解耦，有效捕捉了不同扫描参数下的体素值强度变化，并成功识别出平面与该12类型异常状况之间的复杂相关性，从而提高分类工作的准确度。
为了与临床判断比较，研究人员再开展模拟临床测试，首先将MRI扫描成像提供给放射科医生，邀请他们按此进行独立诊断。隔了一段洗褪期后，团队再将模型的数据分析提交给医生参考，请他们进行第二次诊断。结果显示，CoPAS模型的分析结果比初级医生的诊断更为准确，其表现与资深医生不相伯仲。整体而言，在人工智能辅助下，医生的诊断准确度显着提高。
通过进一步的解释性分析，研究人员将临床经验表与模型输出比较，他们发现，模型的决策过程与临床诊断规律高度雷同。这说明该模型已经建立了一组类似于放射科医生使用的规则，令它在临床应用更为可靠。
领导是项研究的科大计算机科学及工程学系兼化学及生物工程学系助理教授陈浩说：「我们的研究结果显示，这款崭新的CoPAS模型在诊断能力上表现优异，媲美放射科医生。它特别可辅助经验较浅的医生，缩小他们与资深医生之间的诊断差距。」
他续指出：「人工智能在医疗领域前景广阔，我们这次研究的成果正好体现了它在临床识别和验证方面的潜力。」
陈教授与南方医科大学第三附属医院的赵英华教授同为本研究的通讯作者；科大计算机科学及工程学系博士生邱泽林和南方医科大学第三附属医院的谢卓耀医生则为共同第一作者。
