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

En el mundo de la ciencia forense y el diagnóstico médico, identificar a una persona desconocida suele comenzar con una pregunta sencilla: ¿quién era? Dos de las respuestas más fundamentales son su sexo biológico y su edad. Durante décadas, los expertos han dependido del esqueleto para proporcionar estas pistas, examinando los huesos en busca de signos de cómo fueron construidos y cómo han cambiado con el tiempo. La articulación de la rodilla, un complejo gozne donde el fémur se une con la tibia, es particularmente valiosa para este trabajo. Es un sitio que muestra diferencias claras entre hombres y mujeres, y que experimenta cambios predecibles y graduales a medida que una persona pasa de la edad adulta temprana a la vejez. Tradicionalmente, los médicos y especialistas forenses han observado radiografías de esta articulación con sus propios ojos, utilizando tablas estandarizadas para calificar la condición del hueso. Sin embargo, este proceso manual puede ser lento, y diferentes expertos podrían no estar siempre de acuerdo con la misma imagen. A medida que el campo de la inteligencia artificial ha crecido, los investigadores han comenzado a preguntarse si las computadoras pueden aprender a ver estos patrones sutiles de manera más consistente y precisa que el ojo humano.

Un equipo de investigadores de la Universidad de Ciencias de la Salud de Kütahya y el Hospital de la Ciudad de Kütahya, en Turquía, ha dado un paso significativo en este esfuerzo. Desarrollaron un nuevo sistema informático diseñado para leer radiografías de rodilla y determinar automáticamente tanto el sexo como el grupo de edad de la persona que posee esa rodilla. En lugar de depender de un solo método, construyeron un marco de trabajo que gestiona dos tareas distintas de forma simultánea. Para la primera tarea, determinar si la rodilla pertenece a un hombre o a una mujer, el equipo no confió en un solo modelo informático. En su lugar, entrenaron tres tipos diferentes de sistemas avanzados de inteligencia artificial para observar la misma imagen. Luego, combinaron los resultados de estos tres sistemas en una decisión única y unificada. Este enfoque, que denominan Fusión de Clasificación por Conjunto (Rank-Fusion Ensemble), permitió que la computadora pesara las fortalezas de cada modelo, resultando en una identificación altamente confiable del sexo biológico.

La segunda tarea era más compleja: estimar la edad de la persona. A diferencia del sexo, que es una categoría binaria, la edad es una progresión continua. Una persona en sus treinta comparte muchos rasgos físicos con alguien en sus cuarenta, lo que hace que los límites entre los grupos de edad sean difusos. Para manejar esto, los investigadores utilizaron una arquitectura informática especializada llamada ConvNeXt-Tiny, que es particularmente buena detectando detalles finos en las imágenes. Enseñaron a este sistema a comprender que los grupos de edad siguen un orden específico. Diseñaron un método de entrenamiento que penalizaba menos a la computadora por adivinar el grupo de edad de un vecino y más por adivinar uno distante. Por ejemplo, si el sistema suponía que una persona de cincuenta años tenía cuarenta, eso se consideraba un error menor; suponer que tenía veinte era un error mayor. Este enfoque, que los autores llaman estrategia de Triple Pérdida (Tri-Loss), ayudó al modelo a respetar la naturaleza natural y paso a paso del envejecimiento.

El equipo probó su sistema en una colección cuidadosamente seleccionada de 1,042 radiografías de rodilla tomadas a pacientes entre las edades de 22 y 69 años. Los datos estaban equilibrados para que hubiera casi un número igual de hombres y mujeres, y los pacientes estaban distribuidos uniformemente en cinco décadas diferentes de vida. Cuando el sistema fue probado con imágenes que nunca había visto antes, los resultados fueron sorprendentes. Para la determinación del sexo, el sistema combinado fue correcto el 96.65% de las veces. Fue excepcionalmente bueno distinguiendo entre las estructuras óseas masculinas y femeninas, logrando una puntuación que indica una fiabilidad casi perfecta al separar ambos grupos. Este rendimiento fue significativamente mejor que el de cualquiera de los tres modelos informáticos individuales utilizados para crear el conjunto.

La tarea de estimación de la edad resultó ser más desafiante, ya que las diferencias entre décadas adyacentes suelen ser sutiles. Aun así, el sistema especializado logró una precisión del 71.29% al adivinar la década correcta. Más importante aún, el sistema rara vez cometía conjeturas descabelladas. Cuando se equivocaba, casi siempre fallaba por solo una década. Los investigadores descubrieron que, en el 96.65% de todos los casos, la suposición de la computadora era el grupo de edad correcto o el inmediatamente anterior o posterior. Nunca cometió el tipo de error extremo en el que confundiría a un adulto joven con una persona de edad avanzada. Esto sugiere que el sistema ha aprendido con éxito los cambios graduales y superpuestos que ocurren en la rodilla a medida que una persona envejece, en lugar de simplemente memorizar categorías distintas.

El estudio también analizó qué tan segura estaba la computadora de sus respuestas. Descubrió que, cuando el sistema expresaba una alta confianza, generalmente tenía razón, lo que significa que las probabilidades que calculaba eran confiables. Este es un detalle crucial para el uso médico y forense, donde saber la fiabilidad de un resultado es tan importante como el resultado mismo. Los investigadores señalaron que, si bien el sistema funcionó excepcionalmente bien identificando a los muy jóvenes y a los muy ancianos, los grupos de mediana edad fueron ligeramente más difíciles de distinguir, probablemente debido a que los cambios físicos en la rodilla durante esos años son más graduales y menos distintos.

Este trabajo demuestra que el aprendizaje profundo puede servir como una herramienta poderosa y objetiva para leer la historia escrita en nuestros huesos. Al combinar múltiples modelos de inteligencia artificial para la identificación del sexo y utilizar un enfoque especializado para la estimación de la edad, los investigadores han creado un sistema que ofrece una alternativa cuantitativa a la observación manual tradicional. Aunque el estudio se centró en una población específica y un rango de edades determinado, los resultados sugieren que el análisis automatizado de radiografías de rodilla puede proporcionar perfiles demográficos consistentes y de alta precisión. Esta capacidad podría, eventualmente, apoyar a los expertos forenses en la identificación de restos desconocidos o ayudar a los clínicos a evaluar los cambios relacionados con la edad en pacientes vivos, todo ello sin la variabilidad que proviene de la interpretación humana. Los hallazgos confirman que la rodilla, con su claro dimorfismo sexual y su proceso de envejecimiento predecible, sigue siendo una fuente rica de información, ahora accesible a través de la lente del aprendizaje automático moderno.