研究人员已经开发出了一种多任务深度学习模型，该模型可以有效地通过X射线评估髋骨关节炎的体征，并在放射学中分享他们的发现。

加州大学旧金山分校的医学博士Claudio E. von Schacky和同事写道：“在怀疑患有髋骨关节炎的患者中，骨盆造影是最常用的主要成像技术。”“髋部骨关节炎的影像学特征包括关节间隙变窄(JSN)，骨赘，软骨下硬化(SS)，软骨下囊肿(SCs)和股骨头扁平化……但是，对这些特征的准确评估非常耗时，需要专业知识，经验不足或未经培训的读者手中的可复制性受到限制。”

该小组研究了参与骨关节炎倡议观察研究的4000多名患者的影像数据。从2004年2月至2006年5月招募这些患者，大多数患者在四年后接受了随访成像。参加者分为训练，验证和测试数据集。

总体而言，使用内部测试集的结果，该团队的多任务深度学习模型在评估股骨骨赘(FOs)，髋臼骨赘(AOs)，69.9%，JSN，81.7%，SS和95.6%时达到了87%的准确性。 SC的%。对于外部集，该模型的FO的准确性为82.7%，AO的准确性为65.4%，JSN的准确性为80.8%，SS的准确性为88.5%，SC的准确性为91.3%。

这种表现与经验丰富的放射科医生相似，这表明研究人员的模型可以通过协助评估此类发现来对患者的护理产生重大影响。

这组作者写道：“我们的研究证明了采用多任务深度学习方法对X线片上的髋骨关节炎特征进行分级的可行性，并表明其性能与放射线专家相似。”“该模型可能在大型流行病学研究中对髋骨关节炎特征的结构评估有用。”

但是，这项研究确实有一定的局限性。AI模型在进行评估时仅使用单个视图，即使此类评估通常需要其他视图。此外，从数据集中完全排除了低质量的影像学研究，这可能“可能会影响模型的诊断性能”。