基于优化深度学习与 LLM 驱动智能 AI 在计算受限系统上进行膝关节骨关节炎严重程度分级

arXiv cs.AI 论文
deep-learning medical-ai knee-osteoarthritis edge-computing tensorflow-lite large-language-models healthcare

摘要

本文介绍了一种用于分级膝关节骨关节炎严重程度的自动化诊断系统，该系统使用通过 TensorFlow Lite 部署在边缘设备上的优化 ResNet-18 模型。它集成了使用 Gemini 2.0 Flash 的大型语言模型（LLM）接口，在提供结构化解释性发现的同时，保持了在资源受限环境下的离线能力。

arXiv:2605.05731v1 公告类型：新提交 摘要：膝关节骨关节炎（KOA）是严重限制关节活动度、导致严重慢性疼痛并对生活质量产生负面影响的肌肉骨骼疾病之一，也是全球范围内持续存在的健康难题之一。通常，主观性和观察者间差异会削弱用于解决此类健康问题的传统实践和评估流程。因此，精确和及时的诊断将是评估其严重程度的有效方法之一。本文提出了一种通过结合深度学习卷积神经网络（CNN）与由 TensorFlow Lite 提供支持的设备端推理平台来对 KOA 进行严重程度分级的自动化诊断方法。该研究提出了一个基于 ResNet-18 卷积神经网络的模型。设计的模型在公开可用的数据库上进行训练。通过迁移学习方法，获取的膝关节图像首先被分类为五个 Kellgren-Lawrence（KL）等级。随后对开发的模型进行了优化。在模型训练期间，实现了 94.48% 的测试准确率并保持稳定的收敛性。此后，优化后的模型被转换为轻量级的 TensorFlow Lite 格式，便于在资源受限设备上无缝部署。设计的模型足以在缺乏持续互联网连接的环境中运行。此外，还应用了一个辅助大型语言模型（Gemini-2.0-flash）来生成结构化的解释性发现，如潜在症状、风险因素和预防措施等。LLM 组件作为接口运行，不影响分类过程。所提出的模型阐述了在设备端实现可解释的决策支持工具的可行性，以进行早期诊断并提高对人工智能（AI）辅助膝关节筛查工具的普及性。
查看原文
查看缓存全文

缓存时间: 2026/05/08 08:42 

# 在计算受限系统上利用优化深度学习与 LLM 驱动智能 AI 进行膝关节骨关节炎严重程度分级
来源：https://arxiv.org/abs/2605.05731
查看 PDF (https://arxiv.org/pdf/2605.05731)

> 摘要：膝关节骨关节炎（KOA）是严重限制关节活动、导致慢性剧烈疼痛并对生活质量产生负面影响的肌肉骨骼疾病之一。它是全球范围内持续存在的健康难题之一。通常，主观性和观察者间变异性会削弱用于应对此类健康问题的传统方法和评估流程。因此，精确且及时的诊断将是评估其严重程度的有效途径之一。本文提出了一种通过融合深度学习卷积神经网络（CNN）与基于设备的 TensorFlow Lite 推理平台来实现 KOA 严重程度分级自动诊断的方法。该方法提出了一种基于 ResNet-18 卷积神经网络的模型。所设计的模型在公开可用的数据库上进行了训练。通过迁移学习方法，首先将获取的膝关节图像分类为五个 Kellgren-Lawrence（KL）等级。随后对开发的模型进行了优化。在模型训练过程中，实现了 94.48% 的测试准确率并保持了稳定的收敛性。接着，优化后的模型被转换为轻量级的 TensorFlow Lite 格式，从而便于在资源受限的设备上无缝部署。所设计的模型完全能够在没有持续互联网连接的环境中运行。此外，还应用了一个辅助的大型语言模型（Gemini-2.0-flash）来生成结构化的解释性发现，如潜在症状、风险因素和预防措施等。LLM 组件作为接口发挥作用，不影响分类过程。所提出的模型展示了在设备上部署、可解释的决策支持工具的可行性，以辅助早期诊断并提高人工智能（AI）辅助膝关节筛查工具的可及性。

## 提交历史

作者：Dayam Nadeem \[查看邮件 (https://arxiv.org/show-email/fd4be269/2605.05731)\] **\[v1\]** 2026年5月7日 星期四 06:24:04 UTC \(1,471 KB\)

相似文章