1.一种融合多模态影像特征的膝骨关节分数预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的融合多模态影像特征的膝骨关节分数预测方法，其特征在于：所述训练后深度学习模型为训练后inception v3网络模型；
3.根据权利要求2所述的融合多模态影像特征的膝骨关节分数预测方法，其特征在于：所述a2具体为将训练集输入inception v3网络模型，然后将inception v3网络模型转换成二分类输出并根据sigmoid激活函数将inception v3网络模型的输出值映射到[0,1]，并网络更新mixed_7c层的网络参数，得到更新inception v3网络模型。
4.根据权利要求3所述的融合多模态影像特征的膝骨关节分数预测方法，其特征在于，所述s3由如下步骤得到：
5.根据权利要求4所述的融合多模态影像特征的膝骨关节分数预测方法，其特征在于，所述s4由如下步骤得到：
6.根据权利要求1所述的融合多模态影像特征的膝骨关节分数预测方法，其特征在于：所述临床特征为对象体质指数特征、接受过手术或关节镜检查特征和服用非甾体抗炎药特征。
7.根据权利要求1所述的融合多模态影像特征的膝骨关节分数预测方法，其特征在于：所述筛选后影像组学特征由12个一阶特征和17个高阶纹理特征构成；
8.根据权利要求1所述的融合多模态影像特征的膝骨关节分数预测方法，其特征在于：所述筛选后深度学习特征为mixed_7c层的网络参数依次展开后的第608个参数特征、第1211个参数特征、第1093个参数特征、第852个参数特征、第1241个参数特征、第1107个参数特征、第922个参数特征、第1897个参数特征、第1978个参数特征、第467个参数特征、第528个参数特征、第909个参数特征、第1388个参数特征、第941个参数特征、第1932个参数特征、第773个参数特征、第1336个参数特征、第647个参数特征、第1103个参数特征、第853个参数特征、第590个参数特征、第391个参数特征、第1593个参数特征、第60个参数特征、第192个参数特征、第1500个参数特征、第1177个参数特征和第954个参数特征。
9.根据权利要求1所述的融合多模态影像特征的膝骨关节分数预测方法，其特征在于：所述影像组学特征为形状特征、一阶统计特征和高阶纹理特征。
10.一种融合多模态影像特征的膝骨关节分数预测系统，其特征在于：采用如权利要求1-9任意一项所述融合多模态影像特征的膝骨关节分数预测方法；