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

Dans le monde de la science forensique et du diagnostic médical, l'identification d'une personne inconnue commence souvent par une question simple : qui était-elle ? Deux des réponses les plus fondamentales sont son sexe biologique et son âge. Depuis des décennies, les experts s'appuient sur le squelette pour fournir ces indices, en examinant les os pour déceler les signes de la façon dont ils ont été construits et de la façon dont ils ont évolué au fil du temps. L'articulation du genou, une charnière complexe où l'os de la cuisse rejoint l'os de la jambe, est particulièrement précieuse pour ce travail. C'est un site qui présente des différences claires entre les hommes et les femmes, et qui subit des changements prévisibles et graduels lorsqu'une personne passe de l'âge adulte à la vieillesse. Traditionnellement, les médecins et les spécialistes forensiques observent les radiographies de cette articulation de leurs propres yeux, en utilisant des tableaux standardisés pour évaluer l'état de l'os. Cependant, ce processus manuel peut être lent, et différents experts peuvent ne pas toujours s'accorder sur la même image. À mesure que le domaine de l'intelligence artificielle s'est développé, les chercheurs ont commencé à se demander si les ordinateurs pouvaient apprendre à percevoir ces motifs subtils de manière plus cohérente et plus précise que l'œil humain.

Une équipe de chercheurs de l'Université des sciences de la santé de Kütahya et de l'hôpital de la ville de Kütahya, en Turquie, a franchi une étape importante dans cet effort. Ils ont développé un nouveau système informatique conçu pour lire les radiographies du genou et déterminer automatiquement le sexe ainsi que la tranche d'âge de la personne propriétaire de ce genou. Au lieu de s'appuyer sur une seule méthode, ils ont construit un cadre capable de gérer deux tâches distinctes simultanément. Pour la première tâche, déterminer si le genou appartient à un homme ou à une femme, l'équipe n'a pas fait confiance à un seul modèle informatique. Au lieu de cela, elle a entraîné trois types différents de systèmes d'intelligence artificielle avancés pour examiner la même image. Elle a ensuite combiné les résultats de ces trois systèmes en une décision unique et unifiée. Cette approche, qu'ils appellent « Rank-Fusion Ensemble », a permis à l'ordinateur de pondérer les forces de chaque modèle, aboutissant à une identification hautement fiable du sexe biologique.

La seconde tâche était plus complexe : estimer l'âge de la personne. Contrairement au sexe, qui est une catégorie binaire, l'âge est une progression continue. Une personne dans la trentaine partage de nombreux traits physiques avec une personne dans la quarantaine, ce qui rend les frontières entre les tranches d'âge floues. Pour gérer cela, les chercheurs ont utilisé une architecture informatique spécialisée appelée ConvNeXt-Tiny, qui est particulièrement douée pour repérer les détails fins dans les images. Ils ont appris à ce système à comprendre que les tranches d'âge suivent un ordre spécifique. Ils ont conçu une méthode d'entraînement qui pénalisait moins l'ordinateur pour avoir deviné la tranche d'âge voisine que pour avoir deviné une tranche éloignée. Par exemple, si le système estimait qu'une personne de cinquante ans en avait quarante, cela était considéré comme une erreur mineure ; dire qu'elle en avait vingt était considéré comme une erreur majeure. Cette approche, que les auteurs appellent une stratégie « Tri-Loss », a aidé le modèle à respecter la nature naturelle et par étapes du vieillissement.

L'équipe a testé son système sur une collection soigneusement sélectionnée de 1 042 radiographies de genoux provenant de patients âgés de 22 à 69 ans. Les données étaient équilibrées afin qu'il y ait presque un nombre égal d'hommes et de femmes, et les patients étaient répartis uniformément sur cinq décennies différentes. Lorsque le système a été testé sur des images qu'il n'avait jamais vues auparavant, les résultats ont été frappants. Pour la détermination du sexe, le système combiné a été correct 96,65 % du temps. Il était exceptionnellement efficace pour distinguer les structures osseuses masculines et féminines, atteignant un score qui indique une fiabilité quasi parfaite pour séparer les deux groupes. Cette performance était nettement supérieure à celle de n'importe lequel des trois modèles informatiques individuels utilisés pour créer l'ensemble.

La tâche d'estimation de l'âge s'est avérée plus difficile, car les différences entre les décennies adjacentes sont souvent subtiles. Malgré cela, le système spécialisé a atteint une précision de 71,29 % dans la prédiction de la décennie correcte. Plus important encore, le système faisait rarement des erreurs grossières. Lorsqu'il se trompait, c'était presque toujours de seulement une décennie. Les chercheurs ont constaté que dans 96,65 % des cas, la supposition de l'ordinateur correspondait soit au groupe d'âge correct, soit au groupe immédiatement précédent ou suivant. Il n'a jamais commis le type d'erreur extrême consistant à confondre un jeune adulte avec une personne âgée. Cela suggère que le système a réussi à apprendre les changements graduels et chevauchants qui surviennent dans le genou à mesure qu'une personne vieillit, plutôt que de simplement mémoriser des catégories distinctes.

L'étude a également examiné le degré de confiance de l'ordinateur dans ses réponses. Elle a révélé que lorsque le système exprimait une grande confiance, il avait généralement raison, ce qui signifie que les probabilités qu'il calculait étaient dignes de confiance. C'est un détail crucial pour l'utilisation médicale et forensique, où connaître la fiabilité d'un résultat est tout aussi important que le résultat lui-même. Les chercheurs ont noté que, bien que le système ait performé de manière exceptionnelle pour identifier les très jeunes et les très âgés, les tranches d'âge du milieu de vie étaient légèrement plus difficiles à distinguer, probablement parce que les changements physiques du genou durant ces années sont plus graduels et moins distincts.

Ce travail démontre que l'apprentissage profond peut servir d'outil puissant et objectif pour lire l'histoire écrite dans nos os. En combinant plusieurs modèles d'intelligence artificielle pour l'identification du sexe et en utilisant une approche spécialisée pour l'estimation de l'âge, les chercheurs ont créé un système qui offre une alternative quantitative à l'observation manuelle traditionnelle. Bien que l'étude se soit concentrée sur une population spécifique et une plage d'âges précise, les résultats suggèrent que l'analyse automatisée des radiographies du genou peut fournir des profils démographiques cohérents et de haute précision. Cette capacité pourrait, à terme, aider les experts forensiques à identifier des restes inconnus ou aider les cliniciens à évaluer les changements liés à l'âge chez des patients vivants, le tout sans la variabilité liée à l'interprétation humaine. Les conclusions confirment que le genou, avec son dimorphisme sexuel marqué et son processus de vieillissement prévisible, demeure une source riche d'informations, désormais accessible à travers le prisme de l'apprentissage automatique moderne.