L’arthrose du genou (AG) est une maladie fréquente et progressive. Les méthodes d’apprentissage profond montrent un fort potentiel pour prédire automatiquement le stade de Kellgren–Lawrence (KL) à partir de radiographies, mais leurs performances peuvent être limitées par l’ambiguïté et la variabilité inter-lecteurs, notamment entre les stades adjacents. Nous considérons les annotations comme des mesures bruitées d’une sévérité latente plutôt que comme une vérité de référence. Nous proposons un cadre d’apprentissage ordinal robuste au bruit, fondé sur un mécanisme de bruit structuré entre grades adjacents, conditionnel à l’image. Pour quantifier l’incertitude avec des garanties formelles, nous construisons des ensembles de prédiction conformes pour données ordinales à partir de scores de non-conformité respectant l’ordre, garantissant une couverture en échantillon fini. Des simulations basées sur de larges cohortes longitudinales évaluent la robustesse, l’interprétabilité et la calibration de l’incertitude, afin de soutenir une évaluation plus fiable dans les cas limites où plusieurs stades de KL sont plausibles en pratique clinique.