Genaue Klassifikation und Vorhersage von Kniearthrose basierend auf dem Al-Biruni Earth Radius Metaheuristik-Optimizer und einem LSTM-Klassifikator

Warum das für schmerzende Knie wichtig ist

Knie­schmerzen durch Arthrose betreffen Hunderte Millionen Menschen und können letztlich zu einem Gelenkersatz führen. Bislang verlassen sich Ärztinnen und Ärzte oft auf das bloße Betrachten von Röntgenaufnahmen, wodurch frühe Stadien übersehen werden können und die Beurteilung von der individuellen Einschätzung abhängt. Diese Studie zeigt, wie ein sorgfältig entwickeltes System der künstlichen Intelligenz (KI) Knie­röntgenaufnahmen mit bemerkenswerter Genauigkeit lesen kann und damit eine schnellere, konsistentere Möglichkeit bietet, Probleme früh zu erkennen und Patienten vor schwerer Behinderung zu bewahren.

Verständnis von Verschleiß im Knie

Kniearthrose ist ein längerfristiger Abbau des glatten Knorpels, der das Gelenk polstert, gefolgt von Veränderungen im darunterliegenden Knochen. Sie tritt besonders häufig bei älteren Menschen, Frauen nach den Wechseljahren sowie bei Personen mit Übergewicht oder früheren Knieverletzungen auf. Viele Patientinnen und Patienten werden erst diagnostiziert, wenn der Schaden bereits weit fortgeschritten ist, Schmerzen und Steifheit den Alltag erschweren und ein Gelenkersatz die einzige Option sein kann. Bestehende Methoden, die Symptome, körperliche Untersuchung und visuelle Inspektion von Röntgen- oder MRT-Aufnahmen kombinieren, sind nicht perfekt und erkennen die Erkrankung oft erst relativ spät.

Wie die KI lernt, Knie­röntgenaufnahmen zu lesen

Die Forschenden entwickelten eine mehrstufige KI-Pipeline, die rohe Knie­röntgenbilder schrittweise in eine einfache Entscheidung überführt: Arthrose oder normal. Zunächst nutzten sie große, vortrainierte Bild­erkennungsnetzwerke — AlexNet, VGG19 und GoogleNet — um automatisch visuelle Muster aus jedem Röntgenbild zu extrahieren. Diese Netzwerke, ursprünglich mit Alltagsfotografien trainiert, können subtile Formen und Texturen erkennen, wie Gelenkspaltverschmälerung und kleine knöcherne Auswüchse, die mit dem bloßen Auge schwer zu quantifizieren sind. Unter diesen Optionen lieferte GoogleNet die informativsten Bildmerkmale zur Unterscheidung kranker von gesunden Knien.

Ein intelligenter Filter wählt die aussagekräftigsten Hinweise

Moderne Bildnetzwerke können aus einem einzigen Bild Tausende numerischer Merkmale erzeugen, doch nicht alle sind nützlich. Wenn man alles an einen Klassifikator übergibt, kann das Rauschen erhöhen, die Berechnung verlangsamen und sogar die Genauigkeit verringern. Um dem entgegenzuwirken, verwendeten die Autorinnen und Autoren eine Suchstrategie namens Al-Biruni Earth Radius (BER)-Optimizer in binärer Form. Dieser Algorithmus verhält sich wie ein Schwarm digitaler Entdecker, die ihre Anstrengungen zwischen dem Erkunden neuer Bereiche des "Lösungsraums" und dem Verfeinern vielversprechender Regionen aufteilen. Jeder Entdecker repräsentiert hier eine unterschiedliche Teilmenge von Bildmerkmalen. Im Verlauf vieler Runden lernt der Algorithmus, welche Kombinationen von Merkmalen am besten zwischen normalen und arthrotischen Knien unterscheiden, und verwirft redundante oder wenig hilfreiche Informationen.

Merkmale in eine Diagnose in zeitähnlichen Schritten überführen

Sobald die relevantesten Merkmale ausgewählt sind, werden sie an eine Art neuronales Netzwerk übergeben, das als Long Short-Term Memory (LSTM) bekannt ist. Obwohl LSTMs üblicherweise für Zeitreihen verwendet werden, wurden in dieser Studie die Merkmalswerte wie eine Sequenz angeordnet. Das LSTM verarbeitet diese geordnete Liste Schritt für Schritt und entscheidet an jeder Stufe, welche Informationen behalten und welche verworfen werden sollen. Effektiv wirkt es als leistungsfähiger Filter, der höherwertige Beziehungen zwischen Merkmalen erfasst, statt jede Zahl isoliert zu betrachten. Der BER-Optimizer wird dann ein zweites Mal eingesetzt, um die internen Einstellungen des LSTM zu verfeinern und das Gleichgewicht zwischen Lernrate, Modellkomplexität und Generalisierung auf neue Röntgenbilder zu optimieren.

Wie gut funktioniert das System?

Die Autorinnen und Autoren trainierten und testeten ihr System an 3.835 gelabelten Knie­röntgenaufnahmen aus einem öffentlichen Datensatz, aufgeteilt in getrennte Gruppen für Training, Validierung und abschließende Tests. Sie verglichen mehrere Kombinationen von Optimierern und Klassifikatoren, darunter Multilayer-Perceptron-Netze und LSTMs, die von verschiedenen Suchmethoden wie Particle Swarm und Harris Hawks Optimization gesteuert wurden. Das Siegerdesign — GoogleNet-Merkmale, gefiltert durch die binäre BER-Methode und klassifiziert von einem BER-abgestimmten LSTM — erreichte im Testset etwa 99,5 % Genauigkeit. Es zeigte zudem sehr hohe Sensitivität und Spezifität, was bedeutet, dass es selten erkrankte Knie verpasste und gesunde kaum fälschlich klassifizierte. Statistische Tests (ANOVA und Wilcoxon-Vorzeichen-Rang) bestätigten, dass diese Verbesserungen nicht zufällig waren.

Geschwindigkeit, Effizienz und Zuverlässigkeit

Neben der Genauigkeit analysierte das Team Rechenaufwand und Robustheit. Sie maßen, wie viel Rechenleistung, Speicher und Zeit jede Optimierungsmethode benötigte. Der BER-basierte Ansatz erreichte die Spitzenleistung bei geringerem Ressourcenverbrauch und konvergierte schneller als andere Techniken. Das Modell ging auch gut mit der natürlichen Ungleichverteilung zwischen normalen und arthrotischen Bildern um: Seine balancierte Genauigkeit kam der Gesamtgenauigkeit nahe, was zeigt, dass es nicht einfach die häufigere Klasse bevorzugte. Zusätzliche Prüfungen mit wiederholten Läufen, Konfidenzintervallen und visuellen Fehlerdiagnosen deuteten darauf hin, dass das Systemverhalten stabil und reproduzierbar war.

Was das für Patientinnen und Patienten bedeuten könnte

Einfach ausgedrückt demonstriert diese Arbeit, dass ein KI-System Standard-Knie­röntgenaufnahmen untersuchen und mit sehr wenigen Fehlern entscheiden kann, ob Arthrose vorliegt. Indem es smart auswählt, welchen Bilddetails es vertraut, und seine Entscheidungsprozesse sorgfältig abstimmt, übertrifft die Methode viele bestehende KI-Ansätze in diesem Bereich. Obwohl die Studie auf einem einzigen Datensatz basiert und noch an weiteren Kliniken, Altersgruppen und Bildgebungsgeräten geprüft werden muss, weist sie auf künftige Praxen hin, in denen ein Computer frühzeitige Gelenkschäden schnell für Ärztinnen und Ärzte markieren könnte, sodass diese früher intervenieren und möglicherweise einen Gelenkersatz verzögern oder vermeiden können.

Zitation: Diab, A.G., El-Kenawy, ES.M., Areed, N.F.F. et al. Accurate classification and prediction of knee osteoarthritis based on Al-Biruni Earth Radius metaheuristic optimizer and LSTM classifier. Sci Rep 16, 13013 (2026). https://doi.org/10.1038/s41598-026-46131-7

Schlüsselwörter: Kniearthrose, medizinische Bildgebung KI, Tiefenlernen, Röntgenanalyse, metaheuristische Optimierung