Evaluating Deep Surrogate Models for Knee Joint Contact Mechanics Under Input-Limited Conditions

Dit onderzoek toont aan dat, hoewel een lokaal-globaal hybride model de meeste robuustheid biedt onder verschillende input-beperkingen bij het modelleren van kniecontactmechanica, de keuze voor het optimale model bij minimale inputs afhangt van de specifieke taak en dat evaluaties moeten verschuiven van ideale nauwkeurigheid naar het behoud van risicorelevante informatie onder realistische omstandigheden.

De kern

De Knie als een Gevarengebied: Een Simpele Uitleg

Stel je je knie voor als een drukke, complexe stad. De botten zijn de gebouwen, de kraakbeenschijven zijn de zachte kussens tussen de gebouwen, en de spieren en pezen zijn de bruggen en wegen. Wanneer je beweegt (bijvoorbeeld bij het draaien in een voetbalwedstrijd), komen er enorme krachten op deze stad neer.

Het probleem? Soms worden bepaalde plekken in die stad te zwaar belast. Dat zijn de "hotspots" of gevaarlijke zones. Als je die niet ziet, kan je kraakbeen beschadigen en krijg je later artrose (slijtage).

Het Probleem: De Te Dure Computer

Vroeger gebruikten artsen en onderzoekers super-complexe computersimulaties (zoals een digitale "zandbak") om te zien waar die gevaarlijke zones zaten. Dit werkte perfect, maar het was net als het bouwen van een heel nieuw stadsmodel voor elke beweging: het duurde te lang en kostte te veel geld. Je kon het niet snel genoeg doen om een speler tijdens een wedstrijd te helpen.

Daarom wilden ze een snelle voorspeller (een "surrogaatmodel") bouwen. Een slimme AI die in een flits kan zeggen: "Hé, bij deze beweging zit er gevaar op punt X."

De Uitdaging: Wat als de Informatie Slecht is?

De onderzoekers (van de Universiteit van Peking) dachten: "Oké, laten we vijf verschillende soorten slimme AI's bouwen om deze snelle voorspeller te maken." Maar ze hadden een groot inzicht: In het echte leven is informatie nooit perfect.

• Soms meet je de beweging niet goed (je camera is wazig).
• Soms weet je niet precies hoe hard iemand duwt (de krachtmeting is onnauwkeurig).
• Soms heb je maar heel weinig informatie (je hebt alleen de hoek van de knie, maar niet de kracht).

De vraag was niet: "Welke AI is het snelst als alles perfect is?"
De vraag was: "Welke AI blijft nog steeds slim als de informatie rommelig of onvolledig is?"

De Vijf AI-Kandidaten (De "Detectives")

Ze testten vijf verschillende soorten "detectives" (AI-modellen) om te zien wie de gevaarlijke plekken het beste kon vinden:

1. De Buurman (MGN): Kijkt alleen naar wat er direct naast hem gebeurt. Hij denkt: "Als mijn linkervriend pijn doet, doet mijn rechterhand dat ook." Hij is goed, maar ziet het grote plaatje niet snel.
2. De Historicus (CT): Kijkt naar wat er de laatste paar seconden is gebeurd. "Gisteren was de knie al een beetje scheef, dus vandaag is het gevaar groter."
3. De Architect (Hi): Kijkt naar het hele stadsplan in één keer. Hij ziet zowel de kleine straten als de grote snelwegen.
4. De Telepath (GI): Kan direct communiceren met elke plek in de stad, zonder tussenkomst. Hij ziet alles tegelijk.
5. De Hybrid-Detective (Hy): Een combinatie van de Buurman en de Telepath. Hij kijkt naar de buren én heeft een directe lijn naar het stadhuis.

Het Experiment: De Voetbaltest

Ze namen 9 mannelijke voetballers en lieten ze 90 graden draaien (een scherpe bocht). Dit is een beweging waarbij de knie veel stress krijgt.
Ze lieten de AI's de krachten voorspellen onder vier scenario's:

1. Perfecte wereld: Alles is gemeten en klopt.
2. Wazige camera: De bewegingsdata is een beetje fout (ruis).
3. Foutieve krachtmeting: De krachtdata is een beetje fout.
4. Minimale info: Ze hebben alleen de hoek van de knie, maar geen krachtdata.

De Resultaten: Wie Wint?

• In de perfecte wereld: De Hybrid-Detective (Hy) won duidelijk. Hij was de snelste en nauwkeurigste. Hij kon het beste zien waar de gevaarlijke "hotspots" zaten.
• Bij wazige camera's of fouten: De Hybrid-Detective bleef de beste. Hij was het meest robuust. Zelfs als de data een beetje rommelig was, gaf hij nog steeds een betrouwbaar antwoord.
• Bij minimale info (geen krachtdata): Hier werd het spannend. Er was geen enkele winnaar die op alles goed was.
  • De Historicus (CT) was het beste in het voorspellen van de grootte van de pijn (hoe hard het duwt).
  • De Hybrid-Detective (Hy) was het beste in het vinden van de plek van het gevaar.
  • De Architect (Hi) was het beste in het vinden van het exacte middelpunt van de hotspots.

De Grootste Lering (De "Moral van het Verhaal")

Vroeger zeiden onderzoekers: "De AI die het nauwkeurigst is bij perfecte data, is de beste."
Dit artikel zegt: "Nee, dat is niet genoeg!"

In het echte leven (op het veld, in de kliniek) is data nooit perfect. De beste AI is niet degene die de perfecte score haalt in een laboratorium, maar degene die het gevaar nog steeds kan zien als de informatie onvolledig is.

• Als je alleen de hoek van de knie kent, moet je een andere AI kiezen dan wanneer je alles weet.
• De Hybrid-Detective is de beste "veelzijdige speler" die je kunt kiezen voor de meeste situaties.
• Maar als je echt weinig data hebt, moet je kiezen welke informatie je het belangrijkst vindt (de grootte van de pijn of de plek ervan) en daar je AI op afstemmen.

Kortom: Het gaat er niet om wie het snelst rekent, maar wie het gevaar het beste ziet, zelfs als de omstandigheden niet ideaal zijn.

Technische samenvatting

Probleemstelling

De analyse van contactmechanica in het kniegewricht is cruciaal voor het begrijpen van blessurerisico's, kraakbeendegeneratie en de progressie van artrose. Traditionele methoden, zoals de Finite Element Analyse (FEA), bieden hoge nauwkeurigheid maar zijn computatie-intensief, vereisen gespecialiseerde expertise en zijn ongeschikt voor grootschalige studies of real-time toepassingen.

Deep learning-gebaseerde surrogaatmodellen zijn een veelbelovend alternatief om snel spanningen te voorspellen op basis van ingangen zoals gewrichtshouding en krachten. Echter, de meeste bestaande evaluaties vinden plaats onder ideale, volledige inputcondities. In de praktijk (bijvoorbeeld in klinische settingen of bij draagbare sensoren) zijn inputs vaak onvolledig, vervormd door meetfouten of beperkt in kwaliteit. Het is onduidelijk welke modelarchitecturen robuust blijven en welke risicorelevante informatie (zoals hoge-spanningsgebieden) behouden onder deze beperkte inputcondities.

Methodologie

1. Dataset en Simulatie:

• Deelnemers: 9 mannelijke voetballers voerden 90° richtingsveranderingsmanoeuvres (Change-of-Direction, CoD) uit.
• Data-acquisitie: Kinematische data (Vicon) en grondreactiekrachten (Kistler) werden gebruikt.
• Musculoskeletale modellering: Met OpenSim werden gewrichtshouding en reactiekrachten berekend.
• FEA: Een generiek kniemodel (OpenKnee(s)) werd gebruikt in FEBio. De simulaties leverden de "ground truth" spanningen (von Mises stress) op.
• Data-conversie: De FEA-resultaten werden omgezet in grafgestructureerde samples (nodes = elementcentroïden, edges = mesh-topologie), waarbij globale condities (houding, krachten) aan alle nodes werden gekoppeld.

2. Vergelijkende Modellen (5 Architecturen):
De studie vergeleek vijf diepe surrogaatmodellen, allemaal getraind onder een unified framework:

1. MGN (MeshGraphNet): Lokale topologie-diffusie (standaard message passing).
2. CT (History-Context): Lokale diffusie verrijkt met korte-termijn historische sequenties (tijdreeksen van houding/kracht).
3. Hi (Hierarchical): Multi-scale modellering (poolsen van fijne naar grove schalen en terug).
4. GI (Global Interaction): Expliciete globale interactie (directe communicatie tussen alle nodes, ongeacht afstand).
5. Hy (Hybrid): Een hybride model dat lokale diffusie combineert met expliciete globale interactie.

3. Evaluatiecondities:
De modellen werden getest onder vier scenario's:

• Full: Volledige, perfecte input.
• Pose-corrupted: Ruis toegevoegd aan houdingsdata (simulatie van meetfouten).
• Load-corrupted: Ruis toegevoegd aan krachtdata.
• Minimal: Alleen houding is beschikbaar; krachtdata is volledig afwezig (nul).

4. Prestatiemetrics:
Naast standaardfoutmetingen (RMSE, MAE, correlatie $r$) werden specifieke risico-relevante metrics gebruikt:

• REmax & REP95: Relatieve fout van de maximale spanning en de 95e percentiel (staart van de verdeling).
• Dice-coëfficiënt: Ruimtelijke overlap van hoog-risicogebieden (>95e percentiel).
• Hotspot-localisatiefout ($d_{hot}$): Afstand tussen het centrum van de voorspelde en werkelijke hoog-risicogebieden.

Belangrijkste Bijdragen

• Verschuiving in Evaluatie: De studie beweegt de evaluatie van surrogaatmodellen weg van puur nauwkeurigheidsvergelijkingen onder ideale omstandigheden naar een beoordeling van robustheid en behoud van risicorelevante informatie onder realistische, beperkte input.
• Grafische Benadering: Het toepassen van graf-neurale netwerken op FEA-data voor kniecontactmechanica.
• Comparatieve Analyse: Een systematische vergelijking van vijf verschillende inductieve bias-strategieën (lokaal vs. globaal, statisch vs. historisch) specifiek voor biomechanische toepassingen.

Resultaten

1. Onder Volledige Input (Full):

• Het Hybride model (Hy) presteerde over het algemeen het beste op alle metrics (laagste RMSE, hoogste Dice, beste $r$).
• Dit suggereert dat de combinatie van lokale structuurbehoud en globale koppeling ideaal is voor het modelleren van contactmechanica.

2. Onder Input-Kwaliteitsdegradatie (Pose/Load Corrupted):

• Hy bleef het meest robuust en presteerde significant beter dan de andere modellen.
• GI (alleen globaal) presteerde het slechtst, wat aangeeft dat lokale topologische beperkingen essentieel zijn.
• Modellen waren gevoeliger voor fouten in houding (pose) dan in kracht (load), omdat houding de ruimtelijke verdeling van contactgebieden direct bepaalt.

3. Onder Minimale Input (Minimal - geen krachtdata):

• Er was geen enkele dominante model voor alle metrics; de prestaties waren taakafhankelijk:
  • CT (History-Context): Leverde de laagste algemene fouten en beste reconstructie van de hoog-spanningsmagnitude.
  • Hy (Hybride): Behield de beste ruimtelijke reconstructie van hoog-risicogebieden (hoge Dice).
  • Hi (Hierarchical): Toonde de beste prestaties in het lokaliseren van het centrum van hotspots (laagste $d_{hot}$).
• Tijdsafhankelijkheid: Onder minimale input verslechterde de prestatie van alle modellen aanzienlijk in de laatste fase van de standfase (stance phase), wat kritiek is voor blessurerisico's.

Betekenis en Conclusie

De studie concludeert dat er geen "one-size-fits-all" surrogaatmodel bestaat voor kniecontactmechanica, vooral niet onder realistische, beperkte inputcondities.

• Voor algemene robuustheid en het behoud van zowel lokale als globale patronen is het hybride model (Hy) de beste keuze.
• Voor specifieke toepassingen met zeer beperkte data (bijv. alleen houdingssensoren), moet de modelkeuze worden afgestemd op het specifieke doel:
  • Wil men de grootte van de spanning nauwkeurig voorspellen? Kies dan voor History-Context (CT).
  • Wil men de locatie van hoog-risicogebieden behouden? Kies dan voor Hybride (Hy).
  • Is hotspot-localisatie cruciaal? Kies dan voor Hierarchical (Hi).

De bevindingen benadrukken dat toekomstige ontwikkelingen in surrogaatmodellen zich moeten richten op het behoud van klinisch relevante informatie (risicogebieden) in plaats van alleen het minimaliseren van globale numerieke fouten, en dat modelselectie moet gebeuren op basis van de specifieke beperkingen van de data-invoer in de praktijk.