基于结构化损伤特征的机器学习模型判别外伤后膝关节活动度

doi:10.12116/j.issn.1004-5619.2024.241108

法医学杂志 ›› 2026, Vol. 42 ›› Issue (1): 8-16.DOI: 10.12116/j.issn.1004-5619.2024.241108

基于结构化损伤特征的机器学习模型判别外伤后膝关节活动度

窦润庭¹(), 程顺²(), 周鑫², 叶星¹, 王智敏¹, 洪光辉¹, 张麒², 夏晴³(), 沈忆文¹()

^1.复旦大学基础医学院法医学系，上海 200032
^2.上海大学通信与信息工程学院智慧医疗与智能影像学技术（SMART）实验室，上海 200444
^3.司法鉴定科学研究院上海市法医学重点实验室司法部司法鉴定重点实验室上海市司法鉴定专业技术服务平台，上海 200063

收稿日期:2024-11-29 发布日期:2026-04-28 出版日期:2026-02-25
通讯作者: 夏晴,沈忆文
作者简介:窦润庭（2000—），男，硕士研究生，主要从事法医临床学研究；E-mail：rtdou23@m.fudan.edu.cn
程顺（2001—），男，硕士研究生，主要从事医学图像处理；E-mail：617639764@qq.com
基金资助:
“十四五”国家重点研发计划资助项目(2022YFC3302001)

Machine Learning Model Based on Structured Injury Features for Knee Mobility Discriminations after Traumatic Injury

Run-ting DOU¹(), Shun CHENG²(), Xin ZHOU², Xing YE¹, Zhi-min WANG¹, Guang-hui HONG¹, Qi ZHANG², Qing XIA³(), Yi-wen SHEN¹()

^1.Department of Forensic Medicine, School of Basic Medical Sciences, Fudan University, Shanghai 200032, China
^2.The SMART (Smart Medicine and AI-based Radiology Technology) Lab, Shanghai Institute for Advanced Communication and Data Science, Shanghai University, Shanghai 200444, China
^3.Shanghai Key Laboratory of Forensic Medicine, Key Laboratory of Forensic Science, Ministry of Justice, Shanghai Forensic Service Platform, Academy of Forensic Science, Shanghai 200063, China

Received:2024-11-29 Online:2026-04-28 Published:2026-02-25
Contact: Qing XIA, Yi-wen SHEN

1. 作者贡献声明和利益冲突声明.pdf(128KB)

摘要/Abstract

摘要：

目的基于司法鉴定案例档案提取结构化的膝关节外伤损伤特征，利用机器学习模型结合投票法，根据损伤特征推断膝关节活动受限程度。方法回顾性收集膝关节外伤致运动功能障碍司法鉴定案例490例，按照8：2比例划分为训练集和测试集；提取结构化损伤特征并利用MySQL数据库进行数据的系统化组织与储存，采用支持向量分类、随机森林、逻辑回归、梯度提升、K最邻近算法、极限梯度提升共6种机器学习模型筛选出的最佳模型，结合投票法，以关节活动度损失25％为界，建立膝关节功能障碍程度判别模型。根据初步筛选的平均AUC值挑选最佳模型，再采用5-折交叉验证进一步验证。采用SHAP方法分析并解释最佳模型的预测结果。另外收集57例作为外部验证集检验模型的泛化能力。结果支持向量分类、随机森林、极限梯度提升3种模型的平均AUC值较高，均超过0.9。在5-折交叉验证中，三个模型的平均AUC值均为0.89。使用投票法集成这3种模型后，5-折交叉验证平均AUC值提升至0.91。根据Shapley值生成的特征贡献图和决策图直观展示了模型的外部验证集各项评估指标与内部测试结果相近。结论本研究建立的基于结构化膝关节外伤损伤特征机器学习模型，在膝关节外伤后运动功能障碍程度判别任务中效果较好，模型具有良好的可解释性与较高的泛化能力。

关键词: 法医临床学, 关节活动度, 机器学习, 数据结构化, 膝关节

Abstract:

Objective To extract structured injury features of knee trauma from forensic case files, and to calculate the degree of joint mobility limitation based on the injury features using a machine learning model combined with the voting method. Methods A total of 490 forensic cases involving knee trauma leading to motor dysfunction were retrospectively collected and randomly divided into training and testing sets at an 8:2 ratio. Structured injury features were extracted and systematically organized and stored using a MySQL database. Six machine learning models, including support vector classification, random forest, logistic regression, gradient boosting, k- nearest neighbors, and extreme gradient boosting, were applied to select the optimal models. Using a 25% loss of joint range of motion as the threshold, a model for classifying the severity of knee functional impairment was established by combining the selected models with a voting method. The best models were first selected based on their average AUC values, and further validated using 5-fold cross-validation. The SHAP method was used to analyze and interpret the prediction results of the optimal model. In addition, 57 cases were collected as an external validation to evaluate the model's generalization ability. Results The average AUC values for support vector machine, random forest, and extreme gradient boosting all exceeded 0.9. In 5-fold cross-validation, each of the three individual models achieved an average AUC value of 0.89. After integrating these three models using the voting method, the average AUC of 5-fold cross-validation increased to 0.91. Feature contribution plots and decision plots generated based on Shapley values clearly illustrated the model's performance, and the evaluation metrics on the external validation set were comparable to those from internal validation. Conclusion The developed machine learning model based on structured injury features demonstrates good performance in classifying the severity of motor dysfunction following knee trauma, with high model interpretability and strong generalization capability.

Key words: forensic clinics, joint range of motion, machine learning, data structuring, knee joint

中图分类号:

窦润庭, 程顺, 周鑫, 叶星, 王智敏, 洪光辉, 张麒, 夏晴, 沈忆文. 基于结构化损伤特征的机器学习模型判别外伤后膝关节活动度[J]. 法医学杂志, 2026, 42(1): 8-16.

Run-ting DOU, Shun CHENG, Xin ZHOU, Xing YE, Zhi-min WANG, Guang-hui HONG, Qi ZHANG, Qing XIA, Yi-wen SHEN. Machine Learning Model Based on Structured Injury Features for Knee Mobility Discriminations after Traumatic Injury[J]. Journal of Forensic Medicine, 2026, 42(1): 8-16.

图/表 11

表1 特征及含义

Tab. 1 Features and their meanings

特征名	数据类型	含义
年龄	连续	被鉴定人接受鉴定时的年龄，要求为成年人
摄片间隔天数	连续	被鉴定人首次摄片距离鉴定前最近一次摄片经过的时间，以月为单位
骨折类型	分类	线性骨折或粉碎性骨折
是否移位	分类	原发性损伤骨折断端是否移位
是否累及关节面	分类	骨折是否累及胫骨平台或髌股关节面
是否经手术治疗	分类	被鉴定人骨折后是否接受过手术治疗
骨折愈合情况	分类	分为正常愈合、轻度畸形愈合、严重畸形愈合
骨折部位	分类	骨折及所累及的骨性解剖结构
末次内置物	分类	末次摄片时内固定是否在位

图1 膝关节损伤鉴定数据的实体-关系图本图展示数据库的实体-关系模型，包含“鉴定案例”“存档影像片”和“DICOM格式影像片”三个实体。“1”表示“一”，“N”表示“多”，反映实体间的基数关系：一个鉴定案例可关联多个存档影像片和DICOM影像片，一个存档影像片也可关联多个DICOM影像片。

Fig. 1 Entity-relationship diagram of knee joint injury assessment data

图2 机器学习模型构建流程

Fig. 2 Machine learning model training process

图3 各模型ROC图及AUC值A：6种机器学习模型的平均AUC值汇总；B：SVC 5-折交叉验证AUC汇总；C：RF 5-折交叉验证AUC汇总；D： XGBoost 5-折交叉验证AUC值汇总。彩色折线为不同容忍度下样本连线，各折线下面积即模型每折交叉验证的AUC值，黑色虚线下面积为0.5，表示随机分类的AUC值。

Fig. 3 ROC and AUC for models

表2 SVC、RF、XGBoost 5-折交叉验证验证指标

Tab. 2 SVC， RF and XGBoost 5-fold cross-validation verification indicators

模型	交叉验证	AUC值	准确率	精确率	灵敏度	特异度	约登指数	F1值
SVC	1	0.90	0.83	0.93	0.78	0.90	0.68	0.85
	2	0.90	0.88	0.94	0.86	0.90	0.76	0.90
	3	0.90	0.86	0.93	0.84	0.90	0.74	0.88
	4	0.90	0.88	0.95	0.84	0.94	0.78	0.89
	5	0.87	0.83	0.91	0.80	0.87	0.67	0.85
RF	1	0.88	0.83	0.93	0.78	0.90	0.68	0.85
	2	0.89	0.83	0.91	0.80	0.87	0.67	0.85
	3	0.89	0.80	0.90	0.76	0.87	0.63	0.83
	4	0.92	0.85	0.93	0.82	0.90	0.72	0.87
	5	0.88	0.84	0.93	0.80	0.90	0.70	0.86
XGBoost	1	0.88	0.83	0.89	0.82	0.83	0.66	0.86
	2	0.91	0.86	0.90	0.88	0.83	0.72	0.89
	3	0.87	0.79	0.88	0.76	0.84	0.60	0.82
	4	0.92	0.85	0.90	0.86	0.84	0.70	0.88
	5	0.88	0.83	0.93	0.78	0.90	0.68	0.85

表3 SVC、RF、XGBoost及投票法集成模型5-折交叉验证指标 (x±s)

Tab. 3 5-Fold cross-validation metrics for SVC， RF， XGBoost， and the voting ensemble model

模型	AUC值	准确率	精确率	灵敏度	特异度
SVC	0.89±0.01	0.85±0.02	0.93±0.01	0.83±0.03	0.90±0.02
RF	0.89±0.02	0.83±0.02	0.92±0.01	0.79±0.02	0.89±0.02
XGBoost	0.89±0.02	0.83±0.03	0.90±0.02	0.82±0.05	0.85±0.03
投票法集成模型	0.91±0.01	0.84±0.01	0.92±0.01	0.82±0.02	0.88±0.02

图4 SVC、RF和XGBoost特征重要度排序A： SVC； B： RF； C： XGBoost。

Fig. 4 The mean permutation importance of SVC，RF and XGBoost

图5 SVC、RF、XGBoost 5-折交叉验证的SHAP柱状图A： SVC；B： RF；C： XGBoost。

Fig. 5 The SHAP Bar Plots for SVC， RF and XGBoost with 5-fold Cross-validation

图6 SVC、RF、XGBoost 5-折交叉验证的SHAP散点图A： SVC； B： RF； C： XGBoost。

Fig. 6 The SHAP Scatter Plots for SVC， RF and XGBoost with 5-fold Cross-validation

图7 SVC、RF、XGBoost 5-折交叉验证预测错误样本的SHAP决策图A：SVC；B：RF；C：XGBoost。

Fig. 7 The SHAP decision plots for misclassified samples from SVC， RF and XGBoost with 5-fold cross-validation

图8 投票法集成模型外部验证结果A：外部验证混淆矩阵；B：外部验证AUC值。

Fig. 8 External validation results of the voting ensemble model

参考文献 30

[1]	SIOURAS A， MOUSTAKIDIS S， GIANNAKIDIS A， et al. Knee injury detection using deep lear-ning on MRI studies： A systematic review[J]. Diagnostics（Basel），2022，12（2）：537. doi：10.3390/diagnostics12020537 .
[2]	GANGAVALLI A K， NWACHUKU C O. Management of distal femur fractures in adults： An overview of options[J]. Orthop Clin North Am，2016，47（1）：85-96. doi：10.1016/j.ocl.2015.08.011 .
[3]	KEIL L G， MULLIS B H， III P T， et al. Proximal tibia fracture dislocations： Management and outcomes of a severe and under-recognized injury[J]. Injury，2022，53（3）：1260-1267. doi：10.1016/j.injury. 2021.09.035 .
[4]	HERZOG G A， SERRANO-RIERA R， SAGI H C. Traumatic proximal tibiofibular dislocation： A marker of severely traumatized extremities[J]. J Orthop Trauma，2015，29（10）：456-459. doi：10.1097/BOT.0000000000000348 .
[5]	LOGERSTEDT D S， EBERT J R， MACLEOD T D， et al. Effects of and response to mechanical loading on the knee[J]. Sports Med，2022，52（2）：201-235. doi：10.1007/s40279-021-01579-7 .
[6]	王辉，李箭，邹宏，等. 膝关节骨软骨损伤评估及治疗方法[J].中国修复重建外科杂志，2019，33（11）：1384-1388.
	doi：10.7507/1002-1892.201903085.WANG H， LI J， ZOU H， et al. Evaluation and treatment of osteochondral injury of knee joint[J]. Zhongguo Xiufu Chongjian Waike Zazhi，2019，33（11）：1384-1388.
[7]	YIN Q D， WANG J B， GU S J， et al. Clinical observation of C3-type patellar fractures treated by operation methods with or without a turned-over patella[J]. Injury，2019，50（4）：966-972. doi：10.1016/j.injury.2019.03.028 .
[8]	KAREKAR H J， AKHUJ A， RAMTEKE S U. Physical rehabilitation post-surgery in a distal femur fracture post removal of implant[J]. Cureus，2023，15（12）：e51358. doi：10.7759/cureus.51358 .
[9]	DAMODARAN B D， SALIM S， VARGESE S M. Performance evaluation of MySQL and MongoDB databases[J]. Int J Cybern Inform，2016，5（2）：387-394. doi：10.5121/ijci.2016.5241 .
[10]	董纪英，燕志伟，梁正玉. SQLite、MySQL、PostgreSQL关系型数据库管理系统比较[J].电脑编程技巧与维护，2014（14）：55-58. doi：10.3969/j.issn.1006-4052.2014.14.023.DONG J Y ，
	YAN Z W， LIANG Z Y. A comparison of relational database management systems： SQLite vs MySQL vs postgre SQL[J]. Diannao Biancheng Jiqiao Yu Weihu，2014（14）：55--58.
[11]	方雅婷，兰琼，解通，等. 人工智能技术时代法医学科面临的新机遇与挑战[J].法医学杂志，2020，36（1）：77-85.
	doi：10.12116/j.issn.1004-5619.2020.01.016.FANG Y T， LAN Q， XIE T， et al. New opportunities and challenges for forensic medicine in the era of artificial intelligence technology[J]. Fayixue Zazhi，2020，36（1）：77-85.
[12]	窦润庭，陈邵文，叶星，等. 基于ConSinGAN模型生成多样的膝关节畸形愈合虚拟图像[J].中国法医学杂志，2025，40（S1）：7-12.
	doi：10.13618/j.issn.1001-5728.2025.S.001.DOU R T， CHEN S W， YE X， et al. Synthesi-zing diverse virtual images of knee deformity hea-ling using the ConSinGAN model[J]. Zhongguo Fayixue Zazhi，2025，40（S1）：7-12.
[13]	TOURNOIS L， TROUSSET V， HATSCH D， et al. Artificial intelligence in the practice of forensic medicine： A scoping review[J]. Int J Legal Med，2024，138（3）：1023-1037. doi：10.1007/s00414-023-03140-9 .
[14]	PATHIRANNAHALAGE I， VIDANAPATHIRANA M， SUBASHINGHE A. Artificial intelligence for forensic medicine[J]. Med-Leg J Sri Lank，2022，10（2）：17. doi：10.4038/mljsl.v10i2.7469 .
[15]	MEENA T， ROY S. Bone fracture detection using deep supervised learning from radiological images： A paradigm shift[J]. Diagnostics，2022，12（10）：2420. doi：10.3390/diagnostics12102420 .
[16]	XIE Y L， LI X M， CHEN F X， et al. Artificial intelligence diagnostic model for multi-site fracture X-ray images of extremities based on deep convolutional neural networks[J]. Quant Imaging Med Surg，2024，14（2）：1930-1943. doi：10.21037/qims-23-878 .
[17]	宰超，张玲莉，何方刚. 133 例膝关节损伤的法医学鉴定分析[J].法医学杂志，2020，36（5）：688-690，698.
	doi：10.12116/j.issn.1004-5619.2020.05.015.ZAI C， ZHANG L L， HE F G. Forensic analysis of 133 cases of knee injuries[J]. Fayixue Zazhi，2020，36（5）：688-690，698.
[18]	SENEL A， SERT S， AKTAS M A， et al. Patterns of orthopedic injuries associated with increa-sing e-scooter-related trauma： A retrospective observational study with a 4-year evaluation from a tertiary center in Istanbul， Turkey[J]. Medicine （Baltimore），2024，103（46）：e40609. doi：10.1097/MD. 0000000000040609 .
[19]	WANG Q， LI K H， XU C Y， et al. Predicting two-year return-to-sport failure after medial patellofemoral ligament reconstruction in patellar dislocation patients with bone abnormalities[J]. J Orthop Surg Res，2024，19（1）：766. doi：10.1186/s13018-024-05253-2 .
[20]	AHMAD T， MUHAMMAD Z A， ZEHRA F. Effect of patient factors and procedure on proximal tibia fracture recovery - A retrospective analysis[J]. Pak J Med Sci，2024，40（10）：2281-2286. doi：10.12669/pjms.40.10.9154 .
[21]	KWAK Y H， KO Y J， KWON H， et al. Application of a machine learning and optimization method to predict patellofemoral instability risk factors in children and adolescents[J]. Knee Surg Sports Traumatol Arthrosc，2025，33（2）：487-499. doi：10.1002/ksa.12372 .
[22]	SIDDIQUE S， HAQUE M A， GEORGE R， et al. Survey on machine learning biases and mitigation techniques[J]. Digital，2024，4（1）：1-68. doi：10.3390/digital4010001 .
[23]	AN Q， RAHMAN S， ZHOU J， et al. A comprehensive review on machine learning in healthcare industry： Classification， restrictions， opportunities and challenges[J]. Sensors （Basel），2023，23（9）：4178. doi：10.3390/s23094178 .
[24]	FORTIER L M， ADELSTEIN J M， SINKLER M A， et al. Patellar tendon restoration techniques： A systematic review of outcomes for repair and reconstruction methods[J]. Eur J Orthop Surg Traumatol，2024，34（8）：3827-3845. doi：10.1007/s00590-024-04 078-3 .
[25]	AZIZ S， KHAN N， DINA T K， et al. Clinical and functional outcome of traumatic osteochondral fracture in adolescent patella[J]. J Pak Med Assoc，2024，74（8）：1508-1510. doi：10.47391/JPMA.9782 .
[26]	ZHANG J Y， LAI S K， LI J Q， et al. Early postoperative rapid rehabilitation yields more fa-vorable short‒term outcomes in patients undergoing patellar realignment surgery for recurrent patellar dislocation： A prospective randomized controlled study[J]. Am J Sports Med，2024，52（9）：2205-2214. doi：10.1177/03635465241254524 .
[27]	XUE A Y， QI J Z， XIE X， et al. Solving the data sparsity problem in destination prediction[J]. The VLDB J，2015，24：219-243. doi：10.1007/s00778-014-0369-7 .
[28]	OLADEJI L O， WORLEY J R， CRIST B D. Age-related variances in patients with tibial plateau fractures[J]. J Knee Surg，2020，33（6）：611-615. doi：10.1055/s-0039-1683893 .
[29]	ALLEY M C， KAIN M， MITCHELL S， et al. Anterior hook plating of patella fractures： A biomechanical analysis and clinical series[J]. J Orthop Trauma，2023，37（6）：e258-e263. doi：10.1097/BOT.0000000000002565 .
[30]	HESSMANN M H， BUHL M， FINKEMEIER C， et al. Suprapatellar nailing of fractures of the tibia[J]. Oper Orthop Traumatol，2020，32（5）：440-454. doi：10.1007/s00064-020-00649-9 .

基于结构化损伤特征的机器学习模型判别外伤后膝关节活动度

Machine Learning Model Based on Structured Injury Features for Knee Mobility Discriminations after Traumatic Injury

RichHTML

PDF (PC)

补充材料

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 30

相关文章 15

编辑推荐

Metrics

[1]	邓振华. 肩负法治中国建设重任，推进我国法医临床学全面发展[J]. 法医学杂志, 2025, 41(5): 407-420.
[2]	邹后英, 雷印蕾, 夏若成, 施妍, 李成涛. 基于微生物组学污水中精神活性物质检测[J]. 法医学杂志, 2025, 41(5): 468-476.
[3]	郭紫雯, 邱天禹, 曹玥. 基于表面增强拉曼光谱与机器学习的依托咪酯及其结构类似物的快速鉴识[J]. 法医学杂志, 2025, 41(4): 364-370.
[4]	周智露, 张东飞, 陈捷敏, 王亚辉, 郝虹霞, 刘太昂, 何宇亨, 龙定念, 刘瑞珏, 万雷. MRI在华东地区汉族男性青少年手腕骨骺发育的量化及骨龄评估中的应用[J]. 法医学杂志, 2024, 40(6): 589-596.
[5]	韩佳璇, 沈诗慧, 吴怡文, 孙晓丹, 陈天南, 陶疆. 基于CBCT中牙髓和牙体体积的机器学习用于青少年儿童年龄推断[J]. 法医学杂志, 2024, 40(2): 143-148.
[6]	魏璇, 陈雨珊, 丁杰, 宋长兴, 王俊静, 彭钊, 邓振华, 伊旭, 范飞. 基于机器学习和颅缝CT-MPR技术的北方成人年龄推断[J]. 法医学杂志, 2024, 40(2): 128-134.
[7]	郭瑜鑫, 卜雯卿, 唐羽, 吴迪, 杨徽, 孟昊天, 郭昱成. Demirjian法结合机器学习算法推断北方汉族儿童及青少年牙龄[J]. 法医学杂志, 2024, 40(2): 135-142.
[8]	李丹阳, 潘宇, 周慧明, 万雷, 李成涛, 汪茂文, 王亚辉. 医学统计和机器学习方法在活体年龄推断中的应用[J]. 法医学杂志, 2024, 40(2): 118-127.
[9]	马星宇, 程浩, 张忠铎, 李烨铭, 赵东. 代谢组学技术结合机器学习算法在损伤时间推断中的研究进展[J]. 法医学杂志, 2023, 39(6): 596-600.
[10]	向青青, 陈立方, 苏秦, 杜宇坤, 梁沛妍, 康晓东, 石河, 徐曲毅, 赵建, 刘超, 陈晓晖. 微生物群落演替在死亡时间推断中的研究进展[J]. 法医学杂志, 2023, 39(4): 399-405.
[11]	曹宇奇, 施妍, 向平, 郭寅龙. 机器学习辅助非靶向筛查策略用于芬太尼类物质识别鉴定的研究进展[J]. 法医学杂志, 2023, 39(4): 406-416.
[12]	郝虹霞, 王亚辉, 周智露, 刘太昂, 陈瑾, 何宇亨, 万雷, 夏文涛. 膝关节MRI活体年龄推断研究进展[J]. 法医学杂志, 2023, 39(1): 66-71.
[13]	范飞, 占梦军, 戴鑫华, 等. 影像学方法推断成人年龄研究进展[J]. 法医学杂志, 2020, 36(5): 605-613.
[14]	黄娇，周圆圆，邓恺飞，等. 大鼠死后皮肤傅里叶变换红外光谱变化与死亡时间的关系[J]. 法医学杂志, 2020, 36(2): 187-191.
[15]	陈邵文，崔丹妮，夏晴，等. 卷积神经网络在识别等速运动配合程度中的应用[J]. 法医学杂志, 2020, 36(2): 210-215.