Unsupervised Machine Learning for Osteoporosis Diagnosis Using Singh Index Clustering on Hip Radiographs

1. Declaração do Problema

A osteoporose é uma crise global de saúde caracterizada pela diminuição da massa óssea e pelo aumento do risco de fraturas. O padrão-ouro atual para diagnóstico é a Absorciometria de Raios X de Dupla Energia (DXA), que mede a Densidade Mineral Óssea (DMO). No entanto, a DXA é cara, não está universalmente disponível (especialmente em regiões rurais/em desenvolvimento) e é suscetível a variabilidade entre dispositivos.

Um método alternativo e economicamente viável é o Índice de Singh (SI), um sistema de classificação semi-quantitativo (Graus 1–6) baseado nos padrões trabeculares visíveis em radiografias simples de quadril. Os graus 1–3 indicam osteoporose, enquanto 4–6 indicam estrutura óssea normal.

• O Desafio: A classificação manual do SI é demorada, requer radiologistas especialistas e é subjetiva.
• A Lacuna: Embora a Aprendizagem Profunda (DL) tenha sido aplicada a imagens de DXA, há uma falta de pesquisas sobre a automação da classificação do SI usando imagens de raio-X de quadril não rotuladas. A maioria dos modelos existentes de Aprendizado de Máquina (ML) requer grandes conjuntos de dados rotulados, que são difíceis de obter para esta tarefa específica.

2. Metodologia

O estudo emprega uma abordagem de Aprendizado de Máquina Não Supervisionado para agrupar imagens de raio-X de quadril não rotuladas nos seis graus do SI sem anotação manual prévia.

A. Conjunto de Dados

• Fonte: 838 imagens de raio-X de quadril de adultos indianos (idades entre 20–70) coletadas no Hospital da Faculdade de Medicina SRM.
• Características: O conjunto de dados é não rotulado. Contém um desequilíbrio de classe significativo, com uma maior prevalência de imagens de ossos normais (Graus 4–6) em comparação com imagens osteoporóticas (Graus 1–3).
• Pré-processamento: As imagens foram recortadas para focar na região do fêmur proximal, redimensionadas para dimensões uniformes e convertidas em arrays NumPy.

B. Extração de Características

Os autores avaliaram múltiplas abordagens para extração de características:

1. Aprendizado por Transferência: Inicialmente testados modelos pré-treinados (DenseNet-201, InceptionV3, EfficientNetB0) treinados no ImageNet.
2. CNN Personalizada: Uma arquitetura personalizada de Rede Neural Convolucional foi desenvolvida e, em última análise, selecionada por seu desempenho superior.
   • Arquitetura: Quatro camadas convolucionais (64, 64, 128, 128 filtros) seguidas por Max Pooling 2D.
   • Ativação: ReLU com Dropout de 0,5.
   • Camadas Densas: Duas camadas totalmente conectadas (64 e 16 nós) para achatar e comprimir as características.

C. Algoritmos de Agrupamento

As características extraídas foram alimentadas em vários algoritmos de agrupamento não supervisionado para agrupar as imagens em 2 a 6 clusters (correspondentes aos graus do SI). Os algoritmos testados incluíram:

• K-Means
• Mini-Batch K-Means
• Agrupamento Espectral
• Agrupamento Aglomerativo (ligação Ward e média)
• Agrupamento Birch
• Modelos de Mistura Gaussiana (covariância Tied, Diag, Full)

D. Métrica de Avaliação

O Score de Silhueta foi utilizado como a métrica principal para avaliar a qualidade do cluster. Uma pontuação mais alta (próxima de 1) indica clusters bem definidos e distintos. O objetivo era determinar se os algoritmos poderiam separar naturalmente as imagens nos 6 graus distintos do SI.

3. Contribuições Principais

1. Aplicação Inovadora de Aprendizado Não Supervisionado: Este é um dos primeiros estudos a tentar automatizar a classificação do Índice de Singh de 6 graus usando radiografias de quadril não rotuladas, contornando a necessidade de anotação manual cara.
2. Desenvolvimento de Arquitetura Personalizada: Os autores desenvolveram uma CNN personalizada que superou modelos estabelecidos de aprendizado por transferência (InceptionV3, DenseNet) na geração de características adequadas para agrupamento, evidenciado por Scores de Silhueta mais altos.
3. Análise Comparativa de Agrupamento: Uma avaliação abrangente de nove algoritmos de agrupamento diferentes em dados de imagem médica, revelando que, embora alguns algoritmos funcionem bem para separação binária (Normal vs. Osteoporótico), eles lutam com a separação fina de 6 classes.
4. Identificação de Limitações de Dados: O estudo destaca o impacto crítico do desequilíbrio do conjunto de dados e da qualidade da imagem no desempenho do agrupamento não supervisionado em diagnósticos médicos.

4. Resultados e Discussão

• Desempenho do Cluster:
  • Separação em 2 Clusters: A maioria dos algoritmos performou excepcionalmente bem ao agrupar as imagens em apenas duas categorias (provavelmente separando "Normal" vs. "Osteoporótico").
    • Aglomerativo Média: Score de Silhueta 0,9360.
    • Birch: 0,9234.
    • Mini-Batch K-Means: 0,8691.
  • Separação em 6 Clusters (Graus Alvo do SI): O desempenho caiu significativamente à medida que o número de clusters aumentou para 6.
    • Aglomerativo Média: 0,8565.
    • K-Means: 0,6560.
    • Mini-Batch K-Means: 0,3877 (Desempenho pobre).
• Principais Descobertas:
  • Nenhum algoritmo único conseguiu alcançar com sucesso a separação de alta fidelidade em todos os 6 graus do SI.
  • Os algoritmos Aglomerativo (Média) e Birch mostraram o maior potencial para contagens de clusters mais altas.
  • Problema de Desequilíbrio: O conjunto de dados continha significativamente mais imagens "saudáveis" (Grau 4+) do que osteoporóticas, distorcendo os centróides de agrupamento.
  • Qualidade da Imagem: Variações na intensidade e contraste do raio-X dificultaram a capacidade da CNN de extrair padrões trabeculares consistentes.

5. Significado e Direções Futuras

• Impacto Clínico: O estudo demonstra a viabilidade de usar raios-X simples (amplamente disponíveis) combinados com ML para triagem de osteoporose, potencialmente reduzindo a dependência de exames de DXA caros em ambientes com recursos limitados.
• Limitações: O modelo não supervisionado atual ainda não consegue distinguir com confiabilidade entre todos os 6 graus do SI devido ao desequilíbrio de dados e à falta de rótulos de verdade fundamental.
• Recomendações para Trabalho Futuro:
  • Aumento de Dados: Incorporar imagens de referência (centróides) para cada grau do SI para orientar o agrupamento.
  • Aprendizado Semi-Supervisionado: Utilizar um pequeno conjunto de dados rotulados por especialistas para orientar o processo não supervisionado.
  • Entrada Multimodal: Integrar metadados do paciente (idade, sexo, histórico clínico) com dados de imagem para melhorar a precisão da previsão.
  • Pré-processamento de Imagem: Filtragem avançada para melhorar a visibilidade trabecular antes da extração de características.

Em conclusão, embora o estudo não tenha alcançado uma classificação perfeita de 6 graus, validou com sucesso que o aprendizado não supervisionado pode separar efetivamente o risco geral de osteoporose da densidade óssea normal usando radiografias simples, fornecendo uma base para ferramentas diagnósticas mais avançadas e semi-supervisionadas.