Deep Learning-Based Sex Classification and Chronological Age-Group Estimation from Knee Radiographs Using a Multi-Task Framework with Rank-Fusion and Tri-Loss Learning

In der Welt der Forensik und medizinischen Diagnostik beginnt die Identifizierung einer unbekannten Person oft mit einer einfachen Frage: Wer war sie? Zwei der grundlegendsten Antworten sind ihr biologisches Geschlecht und ihr Alter. Seit Jahrzehnten verlassen sich Experten auf das Skelett, um diese Hinweise zu erhalten, indem sie Knochen auf Anzeichen dafür untersuchen, wie sie aufgebaut wurden und wie sie sich im Laufe der Zeit verändert haben. Das Kniegelenk, eine komplexe Scharnierverbindung, bei der der Oberschenkelknochen auf den Schienbeinknochen trifft, ist für diese Arbeit besonders wertvoll. Es ist eine Stelle, die deutliche Unterschiede zwischen Männern und Frauen aufweist und im Laufe des Lebens eines Menschen von der frühen Erwachsenenzeit bis ins hohe Alter vorhersehbare, schrittweise Veränderungen durchläuft. Traditionell haben Ärzte und Forensiker dieses Gelenk mit eigenen Augen auf Röntgenbildern betrachtet und dabei standardisierte Diagramme verwendet, um den Zustand des Knochens zu bewerten. Dieser manuelle Prozess kann jedoch langsam sein, und verschiedene Experten kommen bei demselben Bild nicht immer zum gleichen Ergebnis. Da das Feld der künstlichen Intelligenz gewachsen ist, haben Forscher begonnen zu fragen, ob Computer lernen können, diese subtilen Muster konsistenter und genauer zu erkennen als das menschliche Auge.

Ein Team von Forschern der Kütahya Health Sciences University und dem Kütahya City Hospital in der Türkei hat einen bedeutenden Schritt in dieser Bemühung unternommen. Sie entwickelten ein neues Computersystem, das darauf ausgelegt ist, Knie-Röntgenbilder zu lesen und automatisch sowohl das Geschlecht als auch die Altersgruppe der Person zu bestimmen, der dieses Knie gehört. Anstatt sich auf eine einzige Methode zu verlassen, entwickelten sie ein Framework, das zwei unterschiedliche Aufgaben gleichzeitig bewältigt. Für die erste Aufgabe – herauszufinden, ob das Knie einem Mann oder einer Frau gehört – vertraute das Team nicht nur auf ein einzelnes Computermodell. Stattdessen trainierten sie drei verschiedene Arten fortschrittlicher Systeme der künstlichen Intelligenz, um dasselbe Bild zu betrachten. Sie führten dann die Ergebnisse dieser drei Systeme in einer einzigen, einheitlichen Entscheidung zusammen. Dieser Ansatz, den sie als Rank-Fusion-Ensemble bezeichnen, ermöglichte es dem Computer, die Stärken jedes Modells abzuwägen, was zu einer hochzuverlässigen Identifizierung des biologischen Geschlechts führte.

Die zweite Aufgabe war komplexer: die Schätzung des Alters der Person. Im Gegensatz zum Geschlecht, das eine binäre Kategorie ist, stellt das Alter eine kontinuierliche Progression dar. Eine Person in ihren Dreißigern teilt viele physische Merkmale mit jemandem in seinen Vierzigern, was die Grenzen zwischen den Altersgruppen verschwimmen lässt. Um dies zu handhaben, verwendeten die Forscher eine spezialisierte Computerarchitektur namens ConvNeXt-Tiny, die besonders gut darin ist, feine Details in Bildern zu erkennen. Sie brachten diesem System bei, zu verstehen, dass Altersgruppen einer spezifischen Ordnung folgen. Sie entwarfen eine Trainingsmethie, die den Computer weniger bestrafte, wenn er die benachbarte Altersgruppe errat, und mehr, wenn er eine weit entfernte Altersgruppe errat. Beispielsweise wurde es als kleiner Fehler gewertet, wenn das System bei einer fünfzigjährigen Person vierzig schätzte; die Annahme, sie sei zwanzig, galt hingegen als schwerwiegender Fehler. Dieser Ansatz, den die Autoren als Tri-Loss-Strategie bezeichnen, half dem Modell, die natürliche, schrittweise Natur des Alterns zu respektieren.

Das Team testete sein System an einer sorgfältig ausgewählten Sammlung von 1.042 Knie-Röntgenaufnahmen, die von Patienten im Alter zwischen 22 und 69 Jahren stammten. Die Daten waren so ausbalanciert, dass es fast gleich viele Männer wie Frauen gab und die Patienten gleichmäßig über fünf verschiedene Jahrzehnte des Lebens verteilt waren. Als das System mit Bildern getestet wurde, die es zuvor noch nie gesehen hatte, waren die Ergebnisse beeindruckend. Bei der Bestimmung des Geschlechts war das kombinierte System in 96,65 % der Fälle korrekt. Es war außergewöhnlich gut darin, zwischen männlichen und weiblichen Knochenstrukturen zu unterscheiden, und erreichte einen Wert, der eine nahezu perfekte Zuverlässigkeit bei der Trennung der beiden Gruppen anzeigt. Diese Leistung war signifikant besser als die der drei einzelnen Computermodelle, die zur Erstellung des Ensembles verwendet wurden.

Die Aufgabe der Altersschätzung erwies sich als anspruchsvoller, da die Unterschiede zwischen benachbarten Jahrzehnten oft subtil sind. Dennoch erreichte das spezialisierte System eine Genauigkeit von 71,29 % bei der Vorhersage des korrekten Jahrzehnts. Wichtiger noch: Das System traf selten völlig unpassende Vermutungen. Wenn es falsch lag, lag es fast immer nur um ein Jahrzehnt daneben. Die Forscher fanden heraus, dass in 96,65 % aller Fälle die Vermutung des Computers entweder die korrekte Altersgruppe oder die unmittelbar vor oder nach ihr liegende war. Es unterlief dem System nie der extreme Fehler, eine junge erwachsene Person mit einer älteren Person zu verwechseln. Dies deutet darauf hin, dass das System erfolgreich gelernt hat, die graduellen, überlappenden Veränderungen zu verstehen, die im Knie während des Alterns stattfinden, anstatt lediglich distinkte Kategorien auswendig zu lernen.

Die Studie untersuchte auch, wie sicher sich der Computer bei seinen Antworten war. Es zeigte sich, dass, wenn das System eine hohe Konfidenz äußerte, es meistens richtig lag, was bedeutet, dass die von ihm berechneten Wahrscheinlichkeiten vertrauenswürdig waren. Dies ist ein entscheidendes Detail für den medizinischen und forensischen Gebrauch, bei dem das Wissen um die Zuverlässigkeit eines Ergebnisses ebenso wichtig ist wie das Ergebnis selbst. Die Forscher stellten fest, dass das System zwar außergewöhnlich gut bei der Identifizierung sehr junger und sehr alter Menschen abschnitt, die mittleren Altersgruppen jedoch etwas schwieriger zu unterscheiden waren, was wahrscheinlich daran liegt, dass die physischen Veränderungen im Knie während dieser Jahre eher graduell und weniger markant sind.

Diese Arbeit zeigt, dass Deep Learning als ein kraftvolles, objektives Werkzeug dienen kann, um die in unseren Knochen geschriebene Geschichte zu lesen. Durch die Kombination mehrerer Modelle der künstlichen Intelligenz zur Geschlechtsidentifikation und die Verwendung eines spezialisierten Ansatzes für die Altersschätzung haben die Forscher ein System geschaffen, das eine quantitative Alternative zur traditionellen, manuellen Beobachtung bietet. Obwohl sich die Studie auf eine spezifische Population und einen spezifischen Altersbereich konzentrierte, legen die Ergebnisse nahe, dass die automatisierte Analyse von Knie-Radiographien konsistente, hochgenaue demografische Profile liefern kann. Diese Fähigkeit könnte Forensikern schließlich dabei helfen, unbekannte Überreste zu identifizieren, oder Klinikern bei der Beurteilung altersbedingter Veränderungen bei lebenden Patienten unterstützen, und zwar ohne die Variabilität, die mit der menschlichen Interpretation einhergeht. Die Ergebnisse bestätigen, dass das Knie mit seiner klaren sexuellen Dimorphie und dem vorhersehbaren Alterungsprozess eine reiche Informationsquelle bleibt, die nun durch die Linse des modernen maschinellen Lernens zugänglich ist.