多序列膝關節磁力共振成像（MRI）是一種非侵入式的先進診斷技術，可準確評估膝關節病理。然而，解讀MRI影像的過程非常複雜，須依靠放射科醫生的高度專業知識，而且十分耗時。香港科技大學（科大）工學院研發了一款新型深度學習模型，以協助醫生辨別12種常見的膝關節異常狀況，同時提升診斷的準確度和效率。
本研究由香港科大的智慧醫療實驗室（Smart Lab）與廣州南方醫科大學第三附屬醫院合作開展，其成果最近發表於《自然通訊》期刊，論文標題為「Learning Co-Plane Attention Across MRI Sequences for Diagnosing Twelve Types of Knee Abnormalities」。
膝關節是一個複雜的鉸鏈型關節，也是人體主要的承重關節之一，支撐我們在日常生活中的各種動作。老化或受傷均可引致各種異常狀況，造成痛楚及損害膝關節功能，影響患者的生活質素。要為每位病人制訂適切的治療方案，就必須先有精準的診斷。
由於膝關節的解剖結構相當複雜，因此採用不同的成像掃描方法，往往會得出不同的參數。此外，若醫生經驗不足，亦未必能夠辨識出一些細微病變，可能會影響對病理的判斷。
針對這些問題，研究團隊與五家醫院合作，收集到1,748名患者的資料，以此建立了一套數據集，當中包括T1加權（T1W）、T2加權（T2W）和質子密度加權（PDW）MRI序列的矢狀面、冠狀面和軸面成像。
在膝關節病理的診斷中，醫學界普遍以關節鏡檢查結果為黃金標準。因此，研究人員將上述數據集與關節鏡檢查所得的資料結合，再進行全面分析，以確定這些病人所患的12類常見膝關節異常狀況。
另一方面，團隊開發了一款深度學習模型，利用人工智能對這些病例進行自動分類。該模型結合了跨MRI序列的共平面注意力機制（CoPAS），並將空間特徵與MRI序列進行解耦，有效捕捉了不同掃描參數下的體素值強度變化，並成功識別出平面與該12類型異常狀況之間的複雜相關性，從而提高分類工作的準確度。
為了與臨床判斷比較，研究人員再開展模擬臨床測試，首先將MRI掃描成像提供給放射科醫生，邀請他們按此進行獨立診斷。隔了一段洗褪期後，團隊再將模型的數據分析提交給醫生參考，請他們進行第二次診斷。結果顯示，CoPAS模型的分析結果比初級醫生的診斷更為準確，其表現與資深醫生不相伯仲。整體而言，在人工智能輔助下，醫生的診斷準確度顯著提高。
通過進一步的解釋性分析，研究人員將臨床經驗表與模型輸出比較，他們發現，模型的決策過程與臨床診斷規律高度雷同。這說明該模型已經建立了一組類似於放射科醫生使用的規則，令它在臨床應用更為可靠。
領導是項研究的科大計算機科學及工程學系兼化學及生物工程學系助理教授陳浩說：「我們的研究結果顯示，這款嶄新的CoPAS模型在診斷能力上表現優異，媲美放射科醫生。它特別可輔助經驗較淺的醫生，縮小他們與資深醫生之間的診斷差距。」
他續指出：「人工智能在醫療領域前景廣闊，我們這次研究的成果正好體現了它在臨床識別和驗證方面的潛力。」
陳教授與南方醫科大學第三附屬醫院的趙英華教授同為本研究的通訊作者；科大計算機科學及工程學系博士生邱澤林和南方醫科大學第三附屬醫院的謝卓耀醫生則為共同第一作者。
