Classification et prédiction précises de l’arthrose du genou basées sur l’optimiseur métaheuristique Al-Biruni Earth Radius et un classifieur LSTM

Pourquoi c’est important pour les genoux douloureux

La douleur du genou due à l’arthrose touche des centaines de millions de personnes et peut aboutir à une prothèse articulaire. Aujourd’hui, les médecins s’appuient encore largement sur l’examen visuel des radiographies, ce qui peut manquer les stades précoces de la maladie et dépend fortement du jugement individuel. Cette étude montre comment un système d’intelligence artificielle (IA) soigneusement conçu peut lire les radiographies de genou avec une précision remarquable, offrant un moyen plus rapide et plus cohérent de détecter tôt les problèmes et d’aider les patients à éviter des incapacités sévères.

Comprendre l’usure du genou

L’arthrose du genou correspond à une dégradation progressive du cartilage lisse qui amortit l’articulation, suivie de modifications de l’os sous-jacent. Elle est particulièrement fréquente chez les personnes âgées, chez les femmes après la ménopause, et chez les personnes en surpoids ou ayant subi des traumatismes du genou. De nombreux patients ne sont diagnostiqués qu’après que les lésions sont déjà avancées, lorsque la douleur et la raideur rendent les tâches quotidiennes difficiles et que la prothèse peut devenir la seule option. Les méthodes actuelles, qui combinent symptômes, examen clinique et inspection visuelle des radiographies ou des IRM, sont imparfaites et détectent souvent la maladie relativement tard dans son évolution.

Comment l’IA apprend à lire les radiographies du genou

Les chercheurs ont construit une chaîne de traitement IA en plusieurs étapes qui prend des radiographies brutes du genou et les transforme progressivement en une décision simple : arthrose ou normal. D’abord, ils ont utilisé de grands réseaux de reconnaissance d’images pré-entraînés—AlexNet, VGG19 et GoogleNet—pour extraire automatiquement des motifs visuels de chaque radiographie. Ces réseaux, initialement entraînés sur des photographies courantes, peuvent reconnaître des formes et textures subtiles comme le rétrécissement de l’interligne articulaire et de petites excroissances osseuses difficiles à quantifier à l’œil. Parmi ces options, GoogleNet a fourni les caractéristiques d’image les plus informatives pour distinguer les genoux malades des genoux sains.

Laisser un filtre intelligent sélectionner les indices les plus révélateurs

Les réseaux d’images modernes peuvent générer des milliers de caractéristiques numériques à partir d’une seule image, mais toutes ne sont pas utiles. Tout injecter dans un classifieur peut ajouter du bruit, ralentir le calcul et même réduire la précision. Pour résoudre cela, les auteurs ont utilisé une stratégie de recherche appelée optimiseur Al-Biruni Earth Radius (BER) sous forme binaire. Cet algorithme se comporte comme un essaim d’explorateurs numériques qui partagent en permanence leurs efforts entre l’exploration de nouvelles régions de l’« espace de solutions » et l’affinement des régions prometteuses. Ici, chaque explorateur représente un sous-ensemble différent de caractéristiques d’image. Sur de nombreuses itérations, l’algorithme apprend quelles combinaisons de caractéristiques séparent le mieux les genoux normaux des genoux arthrosiques et élimine les informations redondantes ou inutiles.

Transformer les caractéristiques en diagnostic par étapes temporelles

Une fois les caractéristiques les plus pertinentes sélectionnées, elles sont transmises à un type de réseau neuronal connu sous le nom de long short-term memory (LSTM). Bien que les LSTM soient habituellement utilisés pour des séries temporelles, dans cette étude les valeurs des caractéristiques sont agencées comme une séquence. L’LSTM traite cette liste ordonnée étape par étape, décidant à chaque stade quelles informations conserver et lesquelles oublier. En pratique, il agit comme un filtre puissant qui capture des relations de haut niveau entre les caractéristiques, plutôt que d’examiner chaque valeur isolément. L’optimiseur BER est ensuite utilisé une seconde fois pour affiner les paramètres internes de l’LSTM, équilibrant la vitesse d’apprentissage, la complexité du modèle et sa capacité de généralisation à de nouvelles radiographies.

Quelle est la performance du système ?

Les auteurs ont entraîné et testé leur système sur 3 835 radiographies de genou étiquetées issues d’un jeu de données public, réparties en ensembles distincts pour l’entraînement, la validation et le test final. Ils ont comparé plusieurs combinaisons d’optimiseurs et de classifieurs, y compris des perceptrons multicouches et des LSTM guidés par différentes méthodes de recherche telles que l’optimisation par essaim particulaire et l’optimisation Harris hawks. La conception gagnante—caractéristiques GoogleNet filtrées par la méthode binaire BER et classées par un LSTM ajusté par BER—a atteint environ 99,5 % de précision sur l’ensemble de test. Elle a également montré une sensibilité et une spécificité très élevées, signifiant qu’elle manquait rarement les genoux malades et classait peu de genoux sains à tort. Des tests statistiques (ANOVA et test de Wilcoxon des rangs signés) ont confirmé que ces gains n’étaient pas dus au hasard.

Vitesse, efficacité et fiabilité

Au-delà de la précision, l’équipe a analysé le coût informatique et la robustesse. Ils ont mesuré la puissance de calcul, la mémoire et le temps requis par chaque méthode d’optimisation. L’approche basée sur BER a atteint les meilleures performances tout en utilisant moins de ressources et en convergeant plus rapidement que les autres techniques. Le modèle a également bien géré le déséquilibre naturel entre images normales et images arthrosiques : sa précision équilibrée approchait sa précision globale, montrant qu’il ne favorisait pas simplement la classe la plus fréquente. Des vérifications supplémentaires avec des exécutions répétées, des intervalles de confiance et des diagnostics visuels des erreurs ont indiqué que le comportement du système était stable et reproductible.

Qu’est-ce que cela pourrait signifier pour les patients

En termes simples, ce travail démontre qu’un système d’IA peut examiner des radiographies standard du genou et décider, avec très peu d’erreurs, si une arthrose est présente. En choisissant intelligemment les détails d’image à prendre en compte et en réglant soigneusement ses étapes de décision, la méthode surpasse de nombreuses approches IA existantes dans le domaine. Bien que l’étude repose sur un seul jeu de données et nécessite encore des tests à travers différents hôpitaux, tranches d’âge et appareils d’imagerie, elle ouvre la voie à des cliniques futures où un ordinateur pourrait rapidement signaler aux médecins des lésions articulaires précoces, les aidant à intervenir plus tôt et potentiellement à retarder ou éviter une prothèse du genou.

Citation: 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

Mots-clés: arthrose du genou, IA en imagerie médicale, apprentissage profond, analyse de radiographies, optimisation métaheuristique