一、研究目的本研究旨在用深度学习（deeplearning,DL）对髌下脂肪垫（infrapatellarfat pad,IPFP）自动分割,并进一步提取 IPFP 磁共振（magnetic resonance,MR）影像组学特征构建膝关节放射学骨关节炎（knee radiographic osteoarthritis,kROA）发生的预测模型。二、资料与方法研究对象:本研究数据来自国际数据库骨关节炎倡议（Osteoarthritis Initiative,OAI）。（1）IPFP自动分割:从基线（baseline,BL）随机选取200个膝关节数据,其纳入标准:需同时有膝X线平片（X线Kellgren-Lawrence（K-L）分级0-4级各40例）及中位加权自旋回波序列（intermediate-weighted turbo spin-echo sequence,IWTSE）MR图像;其排除标准:金属内固定或其他原因导致MR图像伪影的膝关节,骨关节炎发生（incident osteoarthritis,IOA）研究队列的膝关节数据。膝关节MR图像用于模型构建。（2）IPFP的MR影像组学特征预测IOA:纳入BL时无kROA（定义为K-L分级0或1级）,且在48个月随访期内发展为kROA（定义为K-L分级≥2级）的膝关节作为IOA组;根据性别、年龄（±5岁）和BL时双侧膝关节放射学状态匹配48个月随访期内未发生kROA的膝关节作为对照组;收集所有病例IOA前1年（定义为P-1）的膝关节X线和MR图像数据及临床资料。研究方法:（1）IPFP自动分割:在IW TSE图像上进行IPFP所有层面手动勾画,将所有数据随机分为训练集（70%）、验证集（15%）及测试集1（15%）,并从IOA队列中随机选取20个膝用作测试集2,用2.5D U-net构建IPFP自动分割模型,计算戴斯相似性系数（Dice Similarity Coefficients,DSC）评价模型准确性。（2）IPFP的MR影像组学特征预测IOA:使用DL分割模型对IOA组及对照组MR图像进行IPFP自动分割。将IOA组及对照组随机分为训练集（67%）与验证集（33%）,提取训练集的IPFP的MR组学特征,使用逻辑回归选取有意义的特征,采用以下因素构建膝关节一年内IOA预测模型:1)单独使用IPFP MR影像组学特征;2)IPFP的MR影像组学特征+临床因素（性别、年龄、体重指数（body mass index,BMI）、膝手术史、膝外伤史）;3)临床因素（同上）;4)IPFP半定量评分;5)临床因素（同上）+IPFP半定量评分;比较不同模型对于一年内IOA的预测能力。三、结果（1）IPFP自动分割:剔除4例人工分割感兴趣区与原始图像无法匹配的膝关节,共纳入196个膝（训练集/验证集/测试集1:136/30/30）用于DL自动分割模型构建,测试集1 DDC为0.898±0.022,测试集2 DSC为0.900±0.019。（2）IPFP的MR影像组学特征预测IOA:在剔除影像及临床资料不齐全及图像处理有误病例后共纳入605个膝（IOA组n=303,对照组n=302）用于构建MR影像组学特征预测模型,MR影像组学特征结合临床因素模型曲线下面积（areaunder curve,AUC）为0.702,MR影像组学特征模型AUC为0.700,包含MR影像组学特征的模型性能优于IPFP半定量评分模型（AUC0.598）、IPFP半定量评分+临床因素预测模型（AUC 0.651）及临床因素预测模型（AUC 0.591）。四、结论DL自动分割模型能够精确分割IPFP,基于IPFP自动分割结合MR影像组学特征构建的预测模型能够较好地预测一年内kROA的发生（IOA）,MR影像组学特征结合临床因素或单纯MR影像组学特征模型的预测性能优于IPFP半定量评分或临床因素预测模型。IPFP的MR影像组学特征可作为独立生物标志物预测一年内kROA的发生。