Diagnosticar la osteoartritis de la articulación de la rodilla (KOA), una de las principales causas de discapacidad en todo el mundo, es un desafío debido a los indicadores radiográficos sutiles y a la variada progresión de la enfermedad. El uso del aprendizaje profundo para el diagnóstico de la KOA requiere conjuntos de datos amplios y completos. Sin embargo, obtener estos conjuntos de datos plantea desafíos significativos debido a la privacidad de los pacientes y las restricciones en la recopilación de datos. La adición de aumento de datos, que mejora la variabilidad de los datos, surge como una solución prometedora. Sin embargo, no está claro qué técnicas de aumento son más efectivas para la KOA. Nuestro estudio exploró métodos de aumento de datos, incluidas técnicas adversariales. Utilizamos estrategias como el recorte horizontal y la extracción de la región de interés (ROI), junto con métodos adversariales como la inyección de ruido y la eliminación de ROI. Curiosamente, las rotaciones mejoraron el rendimiento, mientras que métodos como la división horizontal fueron menos efectivos. Descubrimos regiones de confusión potenciales utilizando el aumento adversarial, como se muestra en la clasificación precisa de grados extremos de KOA en nuestros modelos, incluso sin la articulación de la rodilla. Esto indicó un posible sesgo del modelo hacia características radiográficas irrelevantes. La eliminación de la articulación de la rodilla aumentó paradójicamente la precisión en la clasificación de la KOA en etapa temprana. Las visualizaciones Grad-CAM ayudaron a elucidar estos efectos. Nuestro estudio contribuyó al campo al señalar técnicas de aumento que mejoran o dificultan el rendimiento del modelo, además de reconocer regiones de confusión potenciales dentro de las imágenes radiográficas de la osteoartritis de rodilla.