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

Nel mondo della scienza forense e della diagnostica medica, l'identificazione di una persona sconosciuta inizia spesso con una semplice domanda: chi era? Due delle risposte più fondamentali sono il suo sesso biologico e la sua età. Per decenni, gli esperti si sono affidati allo scheletro per fornire questi indizi, esaminando le ossa alla ricerca di segni di come siano state costruite e di come siano cambiate nel tempo. L'articolazione del ginocchio, un complesso cardine dove l'osso della coscia incontra l'osso dello stinco, è particolarmente preziosa per questo lavoro. È un sito che mostra chiare differenze tra uomini e donne, e subisce cambiamenti prevedibili e graduali mentre una persona passa dalla giovane età adulta alla vecchiaia. Tradizionalmente, medici e specialisti forensi hanno osservato le radiografie di questa articolazione con i propri occhi, utilizzando tabelle standardizzate per valutare le condizioni dell'osso. Tuttavia, questo processo manuale può essere lento, e diversi esperti potrebbero non sempre concordare sulla stessa immagine. Con la crescita del campo dell'intelligenza artificiale, i ricercatori hanno iniziato a chiedersi se i computer possano imparare a vedere questi modelli sottili in modo più coerente e accurato rispetto all'occhio umano.

Un team di ricercatori dell'Università delle Scienze della Salute di Kütahya e dell'Ospedale Cittadino di Kütahya, in Turchia, ha compiuto un passo significativo in questo sforzo. Hanno sviluppato un nuovo sistema informatico progettato per leggere le radiografie del ginocchio e determinare automaticamente sia il sesso che la fascia d'età della persona che possiede quel ginocchio. Invece di affidarsi a un singolo metodo, hanno costruito un framework che gestisce due compiti distinti contemporaneamente. Per il primo compito, ovvero capire se il ginocchio appartiene a un uomo o a una donna, il team non si è fidato di un solo modello informatico. Al contrario, hanno addestrato tre diversi tipi di sistemi avanzati di intelligenza artificiale per analizzare la stessa immagine. Hanno poi combinato i risultati di questi tre sistemi in una singola decisione unificata. Questo approccio, che chiamano Rank-Fusion Ensemble, ha permesso al computer di pesare i punti di forza di ciascun modello, ottenendo un'identificazione del sesso biologico altamente affidabile.

Il secondo compito era più complesso: stimare l'età della persona. A differenza del sesso, che è una categoria binaria, l'età è una progressione continua. Una persona nei suoi trentanni condivide molti tratti fisici con qualcuno nei suoi quarantanni, rendendo i confini tra le fasce d'età sfumati. Per gestire questo, i ricercatori hanno utilizzato un'architettura informatica specializzata chiamata ConvNeXt-Tiny, particolarmente abile nel rilevare dettagli fini nelle immagini. Hanno insegnato a questo sistema a comprendere che le fasce d'età seguono un ordine specifico. Hanno progettato un metodo di addestramento che penalizzasse il computer meno per aver indovinato la fascia d' età vicina e di più per aver indovinato una distante. Ad esempio, se il sistema ipotizzava che un cinquantenne avesse quarant'anni, questo era considerato un errore minore; ipotizzare che avesse vent'anni era un errore maggiore. Questo approccio, che gli autori chiamano strategia Tri-Loss, ha aiutato il modello a rispettare la natura naturale e graduale dell'invecchiamento.

Il team ha testato il proprio sistema su una collezione selezionata con cura di 1.042 radiografie del ginocchio scattate su pazienti tra i 22 e i 69 anni. I dati erano bilanciati in modo che ci fossero quasi uguali numeri di uomini e donne, e i pazienti erano distribuiti uniformemente in cinque decenni di vita differenti. Quando il sistema è stato testato su immagini che non aveva mai visto prima, i risultati sono stati sorprendenti. Per la determinazione del sesso, il sistema combinato è stato corretto il 96,65% delle volte. È stato eccezionalmente bravo a distinguere tra le strutture ossee maschili e femminili, raggiungendo un punteggio che indica una affidabilità quasi perfetta nel separare i due gruppi. Questa prestazione è stata significamente migliore di qualsiasi singolo modello informatico utilizzato per creare l'ensemble.

Il compito di stima dell'età si è rivelato più impegnativo, poiché le differenze tra decenni adiacenti sono spesso sottili. Eppure, il sistema specializzato ha raggiunto un'accuratezza del 71,29% nell'indovinare il decennio corretto. Più importante ancora, il sistema faceva raramente ipotesi azzardate. Quando sbagliava, era quasi sempre di un solo decennio di scarto. I ricercatori hanno scoperto che, nel 96,65% di tutti i casi, l'ipotesi del computer era o il gruppo d'età corretto o quello immediatamente precedente o successivo. Non ha mai commesso l'errore estremo di scambiare un giovane adulto per una persona anziana. Ciò suggerisce che il sistema ha imparato con successo i cambiamenti graduali e sovrapposti che avvengono nel ginocchio con l'invecchiamento, piuttosto che limitarsi a memorizzare categorie distinte.

Lo studio ha anche esaminato quanto il computer fosse fiducioso nelle sue risposte. Ha scoperto che, quando il sistema esprimeva un'alta fiducia, era solitamente corretto, il che significa che le probabilità calcolate erano affidabili. Questo è un dettaglio crucialo per l'uso medico e forense, dove conoscere l'affidabilità di un risultato è importante quanto il risultato stesso. I ricercatori hanno notato che, sebbene il sistema si fosse comportato eccezionalmente bene nell'identificare i giovanissimi e gli molto anziani, le fasce d'età centrali erano leggermente più difficili da distinguere, probabilmente perché i cambiamenti fisici nel ginocchio durante quegli anni sono più graduali e meno distinti.

Questo lavoro dimostra che il deep learning può servire come uno strumento potente e oggettivo per leggere la storia scritta nelle nostre ossa. Combinando molteplici modelli di intelligenza artificiale per l'identificazione del sesso e utilizzando un approccio specializzato per la stima dell'età, i ricercatori hanno creato un sistema che offre un'alternativa quantitativa all'osservazione manuale tradizionale. Sebbene lo studio si sia concentrato su una popolazione specifica e su un intervallo di età particolare, i risultati suggeriscono che l'analisi automatizzata delle radiografie del ginocchio può fornire profili demografici coerenti e ad alta precisione. Questa capacità potrebbe eventualmente supportare gli esperti forensi nell'identificazione di resti sconosciuti o aiutare i clinici nella valutazione dei cambiamenti legati all'età in pazienti viventi, il tutto senza la variabilità derivante dall'interpretazione umana. Le scoperte confermano che il ginocchio, con il suo chiaro dimorfismo sessuale e il prevedibile processo di invecchiamento, rimane una ricca fonte di informazioni, ora accessibile attraverso la lente del moderno machine learning.