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 de wereld van de forensische wetenschap en medische diagnostiek begint het identificeren van een onbekend persoon vaak met een eenvoudige vraag: wie was hij of zij? Twee van de meest fundamentele antwoorden zijn hun biologisch geslacht en hun leeftijd. Decennialang hebben experts vertrouwd op het skelet om deze aanwijzingen te verschaffen, waarbij ze botten onderzochten op tekenen van hoe ze zijn opgebouwd en hoe ze in de loop van de tijd zijn veranderd. Het kniegewricht, een complex scharnierpunt waar het dijbeen en het scheenbeen samenkomen, is bijzonder waardevol voor dit werk. Het is een plek die duidelijke verschillen vertoont tussen mannen en vrouwen, en dat ondergaat voorspelbare, geleidelijke veranderingen naarmate iemand van jongvolwassenheid naar de ouderdom beweegt. Traditioneel hebben artsen en forensische specialisten naar röntgenfoto's van dit gewricht gekeken met hun eigen ogen, waarbij ze gestandaardiseerde schema's gebruikten om de conditie van het bot te scoren. Dit handmatige proces kan echter traag zijn, en verschillende experts zijn niet altijd het eens over dezelfde afbeelding. Naarmate het veld van kunstmatige intelligentie is gegroeid, zijn onderzoekers begonnen met de vraag of computers subtiele patronen consistenter en nauwkeuriger kunnen leren zien dan het menselijk oog.

Een team van onderzoekers van de Kütahya Health Sciences University en het Kütahya City Hospital in Turkije heeft een belangrijke stap voorwaarts gezet in deze inspanning. Ze ontwikkelden een nieuw computersysteem ontworpen om knieröntgenfoto's te lezen en automatisch zowel het geslacht als de leeftijdsgroep van de persoon die eigenaar is van die knie te bepalen. In plaats van te vertrouwen op één enkele methode, bouwden ze een raamwerk dat twee afzonderlijke taken tegelijkertijd afhandelt. Voor de eerste taak, het uitzoeken of de knie bij een man of een vrouw hoort, vertrouwde het team niet op slechts één computermodel. In plaats daarvan trainden ze drie verschillende soorten geavanceerde kunstmatige intelligentiesystemen om naar dezelfde afbeelding te kijken. Vervolgens combineerden ze de resultaten van deze drie systemen tot één enkel, verenigd besluit. Deze aanpak, die zij een Rank-Fusion Ensemble noemen, stelde de computer in staat om de sterke punten van elk model te wegen, wat resulteerde in een zeer betrouwbare identificatie van het biologisch geslacht.

De tweede taak was complexer: het schatten van de leeftijd van de persoon. In tegen tegenstelling tot geslacht, wat een binaire categorie is, is leeftijd een continue progressie. Een persoon in de dertiger jaren vertoont veel fysieke kenmerken als iemand in de veertiger jaren, waardoor de grenzen tussen leeftijdsgroepen vaag zijn. Om dit aan te pakken, gebruikten de onderzoekers een gespecialiseerde computerarchitectuur genaamd ConvNeXt-Tiny, die bijzonder goed is in het opsporen van fijne details in afbeeldingen. Ze leerden dit systeem te begrijwoorden dat leeftijdsgroepen een specifieke volgorde volgen. Ze ontwierpen een trainingsmethode die de computer minder bestrafte voor het raden van een naburige leeftijdsgroep en meer voor het raden van een verre groep. Bijvoorbeeld, als het systeem inschatte dat een vijftigjarige veertig was, werd dat als een kleine fout beschouwd; het inschatten dat zij twintig waren, was een grote fout. Deze aanpak, die de auteurs een Tri-Loss strategie noemen, hielp het model om de natuurlijke, stapsgewijze aard van veroudering te respecteren.

Het team testte hun systeem op een zorgvuldig geselecteerde collectie van 1.042 knieröntgenfoto's genomen van patiënten tussen de 22 en 69 jaar oud. De gegevens waren gebalanceerd zodat er bijna gelijke aantallen mannen en vrouwen waren, en de patiënten waren gelijkmatig verdeeld over vijf verschillende decennia van het leven. Wanneer het systeem werd getest op afbeeldingen die het nog nooit eerder had gezien, waren de resultaten opmerkelijk. Voor het bepalen van het geslacht was het gecombineerde systeem in 96,65% van de gevallen correct. Het was uitzonderlijk goed in het onderscheiden tussen mannelijke en vrouwelijke botstructuren, waarbij het een score behaalde die wijst op bijna perfecte betrouwbaarheid in het scheiden van de twee groepen. Deze prestatie was significant beter dan die van elk van de drie individuele computermodellen die werden gebruikt om het ensemble te creëren.

De taak van leeftijdschatting bleek uitdagender, aangezien de verschillen tussen aangrenzende decennia vaak subtiel zijn. Desondanks bereikte het gespecialiseerde systeem een nauwkeurigheid van 71,29% in het raden van het juiste decennium. Belangrijker nog, het systeem maakte zelden wilde gokken. Wanneer het fout zat, zat het er bijna altijd naast met slechts één decennium. De onderzoekers ontdekten dat in 9खे 96,65% van alle gevallen, de gok van de computer ofwel de juiste leeftidsgroep was, ofwel de groep direct ervoor of erna. Het maakte nooit het soort extreme fout waarbij het een jongvolwassene voor een oudere persoon zou aanzien. Dit suggereert dat het systeem succesvol de geleidelijke, overlappende veranderingen heeft geleerd die in de knie plaatsvinden naarmate iemand ouder wordt, in plaats van alleen maar afzonderlijke categorieën te onthouden.

De studie keek ook naar hoe zelfverzekerd de computer was in zijn antwoorden. Het toonde aan dat wanneer het systeem een hoge mate van vertrouwen uitdrukte, het meestal juist was, wat betekent dat de berekende waarschijnlijkheden betrouwbaar waren. Dit is een cruciaal detail voor medisch en forensisch gebruik, waarbij weten hoe betrouwbaar een resultaat is even belangrijk is als het resultaat zelf. De onderzoekers merkten op dat hoewel het systeem uitzonderlijk goed presteerde bij het identificeren van de zeer jonge en de zeer oude, de middelbare leeftidsgroepen iets moeilijker te onderscheiden waren, waarschijnlijk omdat de fysieke veranderingen in de knie tijdens die jaren geleidelijker en minder uitgesproken zijn.

Dit werk demonstreert dat deep learning kan dienen als een krachtig, objectief instrument voor het lezen van het verhaal dat in onze botten geschreven staat. Door meerdere kunstmatige intelligentiemodellen te combineren voor geslachtsidentificatie en een gespecialiseerde aanpak te gebruiken voor leeftijdschatting, hebben de onderzoekers een systeem gecreëerd dat een kwantitatief alternatief biedt voor traditionele, handmatige observatie. Hoewel de studie zich richtte op een specifieke populatie en een specifiek leeftidsbereik, suggereren de resultaten dat geautomatiseerde analyse van knieradiografieën consistente, hoogwaardige demografische profielen kan bieden. Deze capaciteit zou uiteindelijk forensische experts kunnen ondersteunen bij het identificeren van onbekende overblijfselen of clinici kunnen helpen bij het beoordelen van leeftijdsgebonden veranderingen bij levende patiënten, allemaal zonder de variabiliteit die voortkomt uit menselijke interpretatie. De bevindingen bevestigen dat de knie, met zijn duidelijke seksuele dimorfisme en voorspelbare verouderingsproces, een rijke bron van informatie blijft, nu toegankelijk via de lens van moderne machine learning.