INTRODUCCIÓN
La artrosis (en inglés, osteoarthritis) es el trastorno articular más común en los adultos
>60 años de los Estados Unidos. La prevalencia de artrosis sintomática de
rodilla es aproximadamente del 10% en los hombres y del 13% en las mujeres.1 Sin dudas, es una de las articulaciones
más afectadas, y se estima que alrededor del 30% de las personas >45 años
tiene evidencia radiográfica de este cuadro en su rodilla, y aproximadamente la
mitad de ellas tiene síntomas clínicos.2
El dolor articular, la rigidez y la función
limitada son algunos de los síntomas más comunes, lo que disminuye la calidad de
vida, y se asocian, además, con comorbilidades, como enfermedades
cardiovasculares, diabetes, hipertensión, caídas, fracturas y depresión.3 Esta enfermedad debe ser abordada con un
enfoque multidisciplinario que incluya el manejo del dolor, la ejercitación y
la fisioterapia y, en casos graves, la intervención quirúrgica para mejorar los
resultados clínicos y la calidad de vida de los pacientes.4
En este contexto, la inteligencia artificial
(IA) y, más específicamente, el aprendizaje profundo y las redes neuronales
convolucionales han emergido como herramientas poderosas para mejorar la
precisión del diagnóstico y la clasificación de la artrosis de rodilla. Estos
modelos de IA pueden procesar grandes volúmenes de datos de imágenes y aprender
características complejas, lo que permitiría una clasificación más precisa y
objetiva de las radiografías de rodilla.5,6
En los últimos años, se han desarrollado
varios enfoques utilizando redes neuronales convolucionales para la
clasificación y detección de la artrosis de rodilla. Estos modelos han sido
entrenados para identificar y clasificar las imágenes de rayos X de la rodilla
según el sistema de clasificación de Kellgren-Lawrence, hoy el más utilizado
para determinar la gravedad de la artrosis de rodilla. Los estudios han
empleado diversas arquitecturas de redes neuronales convolucionales, como
VGG16, VGG19, ResNet50, YOLOv3 y EfficientNet-B5, y obtuvieron resultados
significativos en la clasificación de la gravedad de la artrosis, con altas
tasas de precisión.7,8
El programa LandingLens,
desarrollado por Landing AI, es una plataforma avanzada de visión por
computadora diseñada para facilitar la creación, implementación y gestión de
modelos de IA, incluso para usuarios sin experiencia en IA o aprendizaje
automático. Esta herramienta es particularmente útil en el ámbito industrial
para tareas, como la inspección de calidad y la detección de defectos.
La plataforma ofrece una interfaz que guía a
los usuarios a través del proceso de carga de imágenes, etiquetado, entrenamiento
y despliegue de modelos. Esto les permite desarrollar modelos de visión por
computadora sin necesidad de conocimientos técnicos profundos.
Además, soporta el aprendizaje continuo, lo que permite que los modelos se
actualicen automáticamente con nuevos datos. Esto asegura que los modelos se
adapten a las condiciones cambiantes y mejoren con el tiempo.
Los sistemas de clasificación radiográfica para la artrosis de rodilla varían
en términos de confiabilidad y sensibilidad para detectar la gravedad de la
artrosis. Los sistemas más evaluados incluyen las escalas de Kellgren-Lawrence,
del International Knee Documentation
Committee (IKDC), y de Ahlbäck y Fairbank, entre otros (Tabla 1).9
El sistema de Kellgren-Lawrence
se utiliza ampliamente y se ha demostrado que es reproducible, especialmente
cuando se evalúan características radiográficas, como osteofitos y pinzamiento
del espacio articular. El sistema del IKDC, por otro lado, tiene una alta
confiabilidad tanto inter como intraobservador, y es considerado uno de los más
confiables para la evaluación de la artrosis de rodilla.
El sistema de Fairbank,
por su parte, es el que tiene la menor confiabilidad entre las clasificaciones
evaluadas.10,11
El sistema de clasificación de Ahlbäck,
aunque ofrece muy buenos resultados en términos de acuerdo interobservador,
tiene una confiabilidad baja, y todavía es menos confiable sin el apoyo de
exámenes clínicos o artroscópicos.12
La IA y la visión por computadora ofrecen la
posibilidad de monitorear la progresión de la enfermedad de manera más
efectiva, permitiendo intervenciones más oportunas y personalizadas.
Identificar y definir la artrosis de rodilla en etapas tempranas es fundamental
para reducir su impacto. La detección temprana junto con una adecuada educación
del paciente en cuanto al ejercicio y al control de peso, puede disminuir
significativamente los síntomas de la enfermedad.13
La integración de la IA en el diagnóstico y
tratamiento de la artrosis de rodilla representa un avance importante en
nuestra especialidad.
Este artículo tiene como objetivo mostrar
cómo, a través de técnicas de aprendizaje profundo y visión artificial, podemos
desarrollar un modelo para la detección y clasificación de la artrosis de
rodilla de acuerdo con la clasificación de Kellgren-Lawrence.
OBJETIVO
Desarrollar un sistema automatizado para
detectar y clasificar la artrosis de rodilla según la escala de
Kellgren-Lawrence, y el cuestionario del IKDC, haciendo uso de un programa de
IA basado en visión por computadora.
MATERIALES Y MÉTODOS
Se utilizó un conjunto de datos públicos con
imágenes médicas de pacientes que tenían distintos grados de artrosis de
rodilla (https://www.kaggle.com/datasets/shashwatwork/knee-osteoarthritis-dataset-with-severity)
con el fin de desarrollar un modelo predictivo de la enfermedad. Estas imágenes
estaban previamente clasificadas según la escala de Kellgren-Lawrence.
Las imágenes fueron cargadas en la plataforma
LandingAI, como imágenes supervisadas.
Para desarrollar el modelo basado en la
clasificación de Kellgren-Lawrence, se utilizaron 1195 imágenes de rodillas con
artrosis, divididas en cinco grupos según esa clasificación: 328 imágenes de
grado 0, 153 de grado 1, 212 de grado 2, 329 de grado 3 y 173 de grado 4. El
conjunto de entrenamiento constaba de 995 imágenes, y se utilizaron 240
imágenes para el testeo.
Se implementó un modelo de aprendizaje
automático para realizar la predicción, basado en la arquitectura de red
neuronal convolucional ConvNext, con 16 millones de parámetros. El modelo se
entrenó durante 15 epochs. Para su evaluación, se utilizaron la matriz de
confusión, la precisión, la sensibilidad de cada modelo y la puntuación F1.
RESULTADOS
Se evaluó el desempeño de un modelo de
clasificación para la artrosis de rodilla utilizando la escala de
Kellgren-Lawrence, que abarca cinco niveles de gravedad: 0, 1, 2, 3 y 4. Se
utilizó un conjunto de datos que incluyó 1195 imágenes para entrenar y evaluar
el modelo.
El modelo tuvo una precisión global del
92,55%, lo que indica su capacidad para clasificar correctamente la presencia y
la gravedad de la artrosis de rodilla en la mayoría de los casos. Este
resultado sugiere una alta fiabilidad del modelo para distinguir entre los
diferentes grados de artrosis según la escala de Kellgren-Lawrence (Figura 1).
Al observar la precisión por clase, el modelo
logró una precisión del 97,87% para el grado 0, clasificó correctamente 321 de
las 328 imágenes de esta categoría. Para el grado 1, la precisión fue del
79,74%, con 122 imágenes correctamente clasificadas de un total de 153. Una
precisión más alta se observó en el grado 2 (88,68%), clasificó correctamente
188 de 212 imágenes. En el grado 3, logró una precisión del 94,04%, con 303
imágenes correctamente clasificadas de 329. Finalmente, para el grado 4, la precisión
fue del 99,42%, con 172 de 173 imágenes correctamente clasificadas (Figura 2).
La sensibilidad global del modelo fue del
94,23%, lo que muestra su capacidad para identificar correctamente la mayoría
de las imágenes positivas para artrosis de rodilla. Su especificidad fue del
98,61%. Por último, la puntuación F1, que combina precisión y sensibilidad,
también fue del 94,21%, esto confirma un buen equilibrio entre la precisión y
la capacidad de recuperación del modelo.
En el caso de las imágenes de la Figura 3A, clasifica, con gran precisión, como
grado 0 a las tres radiografías. En la Figura 3B,
se puede observar cómo el mapa de calor ofrece una herramienta efectiva para
interpretar y visualizar el proceso mediante el cual el modelo de aprendizaje
profundo tomó la decisión de clasificarla como 0. Estos mapas de calor permiten
identificar qué partes de una imagen son más relevantes para la predicción, lo
que es fundamental tanto para la explicación del modelo como para la detección
de posibles problemas en el entrenamiento o los datos. Lo mismo sucede en los
distintos grados de la clasificación.
DISCUSIÓN
La radiografía de frente es, desde hace años,
el mejor método para su clasificación a los fines diagnósticos. En este
sentido, la clasificación de Kellgren-Lawrence se utiliza ampliamente para
determinar la progresión y la gravedad de la enfermedad. Sin embargo, la
interpretación de estas imágenes puede variar entre los evaluadores, lo que
puede llevar a inconsistencias en la clasificación y, por ende, en el
tratamiento.14
En
numerosos estudios, se han logrado resultados prometedores utilizando técnicas
de aprendizaje profundo y redes neuronales para la detección y clasificación de
la artrosis de rodilla. Este campo de la IA ofrece una alternativa automatizada
y objetiva para la evaluación de la artrosis de rodilla, que tradicionalmente
depende de la interpretación visual de imágenes radiográficas por parte de
expertos médicos.
En el estudio de Sikkandar y cols., se
utilizó una red neuronal convolucional para la clasificación automática de
imágenes de artrosis de rodilla, que tuvo una precisión del 93,2% y una
precisión de clasificación multiclase del 72,01%. Este alto nivel de precisión
indica que las redes neuronales convolucionales pueden ser extremadamente
eficaces para detectar y clasificar la artrosis de rodilla en imágenes
radiográficas.6
Por otro lado, Deokar
y cols. desarrollaron un sistema automático de
detección de artrosis de rodilla basado en la extracción de características y
redes neuronales, que tuvo una precisión del 98,5% en la etapa de entrenamiento
y del 92% en la etapa de prueba. Estos resultados destacan la capacidad de las
redes neuronales para aprender y generalizar a partir de características
complejas extraídas de imágenes médicas.15
En nuestro estudio, se investigó la eficacia
de un enfoque basado en un programa de visión por computadora para la detección
y clasificación automatizada de la artrosis de rodilla.
Con un conjunto de 1901 imágenes, la
precisión y la sensibilidad para determinar el grado de artrosis fueron
notables. Estos resultados superan los obtenidos en estudios publicados por
otros autores que emplearon técnicas de aprendizaje profundo y redes neuronales
(Tabla 2). Sin dudas que todos estos
resultados sugieren que el uso de técnicas de visión artificial podría
representar una alternativa efectiva y práctica para la evaluación de la
artrosis de rodilla, ofreciendo diagnósticos precisos y rápidos que podrían
mejorar significativamente la atención médica para los pacientes afectados.
La implementación de estas tecnologías
facilita la automatización del análisis de imágenes radiográficas. Este tipo de
programa puede ser entrenado para identificar y clasificar automáticamente las
imágenes de rodilla según la gravedad de la artrosis, utilizando como base el
sistema de clasificación de Kellgren-Lawrence. Esto no solo mejora la
eficiencia del diagnóstico, sino que también contribuye a lograr una mayor
precisión, reduciendo la variabilidad entre evaluadores y proporcionando apoyo en
la toma de decisiones clínicas.
CONCLUSIONES
Los resultados de este estudio resaltan la
eficacia de la IA y la visión por computadora para la clasificación
automatizada de la artrosis de rodilla, con una precisión del 92,55% y una
sensibilidad del 94,23%. Estos hallazgos subrayan el potencial de estas
tecnologías para asistir a los médicos en el diagnóstico preciso de la
enfermedad, ofreciendo una herramienta valiosa que puede mejorar la eficiencia
y consistencia en la evaluación de los pacientes.
BIBLIOGRAFÍA
1.
Zhang Y,
Jordan JM. Epidemiology of osteoarthritis. Clin Geriatr Med 2010;26(3):355-69.
https://doi.org/10.1016/j.cger.2010.03.001
2.
Lawrence
RC, Felson DT, Helmick CG,
Arnold LM, Choi H, Deyo RA, et al. Estimates of the
prevalence of arthritis and other rheumatic conditions in the United States:
Part II. Arthritis Rheum 2008;58(1):26-35. https://doi.org/10.1002/art.23176
3.
Zheng S, Tu L, Cicuttini F, Zhu Z, Han W,
Antony B, et al. Depression in patients with knee osteoarthritis: risk factors
and associations with joint symptoms. BMC Musculoskelet Disord 2021;22(1):40. https://doi.org/10.1186/s12891-020-03875-1
4.
Bannuru RR, Osani MC. Vaysbrot EE, Arden NK, Bennell K,
Bierma-Zeinstra SMA, et al. OARSI guidelines for the
non-surgical management of knee, hip, and polyarticular
osteoarthritis. Osteoarthritis Cartilage
2019:27(11):1578-89. https://doi.org//10.1016/j.joca.2019.06.011
5.
Pongsakonpruttikul N, Angthong C, Kittichai V, Chuwongin S, Puengpipattrakul P, Thongpat P,
et al. Artificial intelligence assistance in radiographic detection and
classification of knee osteoarthritis and its severity: a cross-sectional
diagnostic study. Eur Rev Med Pharmacol
Sci 2022;26(5):1549-58. https://doi.org/10.26355/eurrev_202203_28220
6.
Sikkandar MY, Begum SS, Alkathiry AA,
Alotaibi MSN, Manzar MD.
Automatic detection and classification of human knee osteoarthritis using
convolutional neural networks. Computers, Materials & Continua 2022;70(3):4279-91. https://doi.org/:10.32604/cmc.2022.020571
7.
Schwartz
AJ, Clarke HD, Spangehl MJ, Bingham JS, Etzioni DA, Neville MR. Can a convolutional neural network
classify knee osteoarthritis on plain radiographs as accurately as
fellowship-trained knee arthroplasty surgeons? J Arthroplasty 2020;35(9):2423-8. https://doi.org/10.1016/j.arth.2020.04.059
8.
Mahmoudian A, Lohmander LS, Mobasheri A, Englund M, Luyten FP. Early-stage symptomatic osteoarthritis of the
knee — time for action. Nat Rev Rheumatol 2021;17(10):621-32. https://doi.org/10.1038/s41584-021-00673-4
9.
Kohn MD, Sassoon AA, Fernando ND. Classifications in Brief: Kellgren-Lawrence Classification of Osteoarthritis. Clin Orthop
Relat Res 2016;474(8):1886-93. https://doi.org/10.1007/s11999-016-4732-4
10. Wing N, Van Zyl N, Wing M,
Corrigan R, Loch A, Wall C. Reliability of three radiographic classification
systems for knee osteoarthritis among observers of different experience levels.
Skeletal Radiol 2021;50(2):399-405. https://doi.org/10.1007/s00256-020-03551-4
11. Eckersley T, Faulkner J, Al-Dadah
O. Inter- and intra-observer reliability of radiological grading systems for
knee osteoarthritis. Skeletal Radiol 2021;50(10):2069-78. https://doi.org/10.1007/s00256-021-03767-y
12. Galli M, De Santis V, Tafuro L. Reliability of the Ahlbäck
classification of knee osteoarthritis. Osteoarthritis Cartilage 2003;11(8):580-4. https://doi.org/
10.1016/s1063-4584(03)00095-5
13. Kessler S, Guenther KP, Puhl
W. Scoring prevalence and severity in gonarthritis:
the suitability of the Kellgren & Lawrence scale.
Clin Rheumatol 1998;17(3):205-9. https://doi.org/10.1007/BF01451048
14.
Ahmed HA,
Mohammed EA. Using Artificial Intelligence to classify osteoarthritis in the
knee joint. NTU Journal of Engineering
and Technology [Internet] 2022;1(3):31-40. Disponible en: https://www.iasj.net/iasj/download/fc5a99f585e6bbda
15.
Deokar DD, Patil CG. Effective feature extraction based automatic knee
osteoarthritis detection and classification using neural network. International Journal of Engineering and
Techniques [Internet] 2015;1(3):134-9. Disponible en: http://www.ijetjournal.org/Volume1/Issue3/IJET-V1I3P22.pdf
ORCID de F. P. Segura: https://orcid.org/0000-0002-2376-4834
ORCID de L. Ribotta Falco:
https://orcid.org/0009-0004-9630-7935
ORCID de M. P. Lucero Zudaire:
https://orcid.org/0009-0009-8632-480X
ORCID de P. S. Zalazar:
https://orcid.org/0009-0007-2399-0384
ORCID de F. V. Segura: https://orcid.org/0009-0004-0424-8334
ORCID de D. E. Sequeira:
https://orcid.org/0009-0006-8226-8343
ORCID de R. Mendía:
https://orcid.org/0009-0003-3114-930X
Recibido
el 16-6-2024. Aceptado luego de la evaluación el 21-7-2024 • Dr.
Facundo Segura • facusegura@gmail.com • https://orcid.org/0009-0000-7101-9145
Cómo citar este artículo: Segura F, Segura FP, Lucero
Zudaire MP, Segura FV, Mendía R, Ribotta Falco L, Zalazar PS, Sequeira DE.
Clasificación avanzada de la artrosis de rodilla utilizando tecnologías de
Inteligencia Artificial. Rev Asoc Argent
Ortop Traumatol 2024;89(5):462-469. https://doi.org/10.15417/issn.1852-7434.2024.89.5.1993
Información del artículo
Identificación: https://doi.org/10.15417/issn.1852-7434.2024.89.5.1993
Fecha de publicación: Octubre, 2024
Conflicto de intereses: Los autores no declaran conflictos de
intereses.
Copyright: © 2024, Revista de la
Asociación Argentina de Ortopedia y Traumatología.
Licencia: Este artículo está bajo una
Licencia Creative Commons
Atribución-No Comercial-Compartir Obras Derivadas Igual 4.0 Internacional.
(CC-BY-NC-SA 4.0)