Clasificación avanzada de la artrosis de rodilla utilizando tecnologías de Inteligencia Artificial
Barra lateral del artículo
Publicado:
oct 17, 2024
Palabras clave:
Inteligencia artificial, artrosis, clasificación, visión por computadora
Contenido principal del artículo
Resumen
Introducción: La artrosis de rodilla es una enfermedad osteoarticular prevalente y debilitante, especialmente en adultos mayores. Su detección temprana y la clasificación precisa son cruciales para mejorar los resultados clínicos.
Objetivos: Investigar el uso de la inteligencia artificial y la visión por computadora para la detección y clasificación automatizada de la artrosis de rodilla según la escala de Kellgren-Lawrence. Desarrollar un sistema automatizado y evaluar su precisión para clasificar la gravedad de la enfermedad.
Materiales y Métodos: Se utilizó un conjunto de datos públicos con imágenes radiográficas de rodillas clasificadas según la escala de Kellgren-Lawrence. Las imágenes fueron procesadas con el programa LandingLens, empleando la arquitectura ConvNext, una red neuronal convolucional. El modelo fue entrenado con 995 imágenes y evaluado con 240 imágenes de prueba.
Resultados: El modelo alcanzó una precisión global del 92,55% en la clasificación de la artrosis de rodilla, con una sensibilidad del 93,33%. La precisión por clase fue del 97,87% para el grado 0; 79,74% para el grado 1; 88,68% para el grado 2; 94,04% para el grado 3 y 99,42% para el grado 4.
Conclusiones: El estudio confirma la eficacia de la inteligencia artificial y la visión por computadora en la detección automatizada de la artrosis de rodilla. La integración de estas tecnologías en la práctica clínica podría mejorar la eficiencia, la consistencia en la evaluación de los pacientes y los resultados clínicos, y así favorecer una atención médica más personalizada.
Objetivos: Investigar el uso de la inteligencia artificial y la visión por computadora para la detección y clasificación automatizada de la artrosis de rodilla según la escala de Kellgren-Lawrence. Desarrollar un sistema automatizado y evaluar su precisión para clasificar la gravedad de la enfermedad.
Materiales y Métodos: Se utilizó un conjunto de datos públicos con imágenes radiográficas de rodillas clasificadas según la escala de Kellgren-Lawrence. Las imágenes fueron procesadas con el programa LandingLens, empleando la arquitectura ConvNext, una red neuronal convolucional. El modelo fue entrenado con 995 imágenes y evaluado con 240 imágenes de prueba.
Resultados: El modelo alcanzó una precisión global del 92,55% en la clasificación de la artrosis de rodilla, con una sensibilidad del 93,33%. La precisión por clase fue del 97,87% para el grado 0; 79,74% para el grado 1; 88,68% para el grado 2; 94,04% para el grado 3 y 99,42% para el grado 4.
Conclusiones: El estudio confirma la eficacia de la inteligencia artificial y la visión por computadora en la detección automatizada de la artrosis de rodilla. La integración de estas tecnologías en la práctica clínica podría mejorar la eficiencia, la consistencia en la evaluación de los pacientes y los resultados clínicos, y así favorecer una atención médica más personalizada.
Descargas
La descarga de datos todavía no está disponible.
Métricas
Cargando métricas ...
Detalles del artículo
Cómo citar
Segura, F., Segura, F. P., Lucero Zudaire, M. P., Segura, F. V., Mendía, R., Ribotta Falco, L., Zalazar, P. S., & Sequeira, D. E. (2024). Clasificación avanzada de la artrosis de rodilla utilizando tecnologías de Inteligencia Artificial. Revista De La Asociación Argentina De Ortopedia Y Traumatología, 89(5), 462-469. https://doi.org/10.15417/issn.1852-7434.2024.89.5.1993
Número
Sección
Investigación Clínica
Derechos de autor 2024 Revista de la Asociación Argentina de Ortopedia y Traumatología
La aceptación del manuscrito por parte de la revista implica la no presentación simultánea a otras revistas u órganos editoriales. La RAAOT se encuentra bajo la licencia Creative Commons 4.0. Atribución-NoComercial-CompartirIgual (http://creativecommons.org/licenses/by-nc-sa/4.0/deed.es). Se puede compartir, copiar, distribuir, alterar, transformar, generar una obra derivada, ejecutar y comunicar públicamente la obra, siempre que: a) se cite la autoría y la fuente original de su publicación (revista, editorial y URL de la obra); b) no se usen para fines comerciales; c) se mantengan los mismos términos de la licencia.
En caso de que el manuscrito sea aprobado para su próxima publicación, los autores conservan los derechos de autor y cederán a la revista los derechos de la publicación, edición, reproducción, distribución, exhibición y comunicación a nivel nacional e internacional en las diferentes bases de datos, repositorios y portales.
Se deja constancia que el referido artículo es inédito y que no está en espera de impresión en alguna otra publicación nacional o extranjera.
Por la presente, acepta/n las modificaciones que sean necesarias, sugeridas en la revisión por los pares (referato), para adaptar el trabajo al estilo y modalidad de publicación de la Revista.
Citas
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 crosssectional 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
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 crosssectional 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