Точная классификация и прогнозирование гонартроза на основе метаэвристического оптимизатора Al‑Biruni Earth Radius и классификатора LSTM

Почему это важно при боли в коленях

Боль в колене из‑за остеоартрита затрагивает сотни миллионов людей и в конечном итоге может привести к замене сустава. Сегодня врачи по‑прежнему в значительной степени полагаются на визуальную оценку рентгеновских снимков, что может пропускать ранние стадии заболевания и зависит от индивидуального опыта. В этом исследовании показано, как тщательно спроектированная система искусственного интеллекта (ИИ) способна с высокой точностью читать рентгеновские снимки колена, предлагая более быстрый и последовательный способ раннего выявления проблем и помощи пациентам в предотвращении тяжелой инвалидности.

Понимание износа в коленном суставе

Гонартроз — это длительное разрушение гладкого хряща, амортизирующего сустав, с последующими изменениями в подлежащей кости. Он особенно часто встречается у пожилых людей, женщин в постменопаузе и у людей с ожирением или прошлыми травмами колена. Многие пациенты получают диагноз только тогда, когда изменения уже выражены, и боль и скованность затрудняют повседневные задачи, а замена сустава может быть единственным вариантом. Существующие методы, сочетающие оценку симптомов, физикальное обследование и визуальный анализ рентгеновских или МРТ‑изображений, несовершенны и часто обнаруживают заболевание сравнительно поздно.

Как ИИ учится «читать» рентгены колена

Авторы построили многоступенчатый ИИ‑конвейер, который берет сырые рентгеновские снимки колена и постепенно сводит их к простому решению: остеоартроз или норма. Сначала они использовали крупные предобученные сети распознавания изображений — AlexNet, VGG19 и GoogleNet — чтобы автоматически извлечь визуальные паттерны с каждого снимка. Эти сети, изначально обученные на обычных фотографиях, умеют находить тонкие формы и текстуры, такие как сужение суставной щели и мелкие костные разрастания, которые трудно количественно оценить невооруженным глазом. Среди этих вариантов GoogleNet дал наиболее информативные признаки изображения для различения больных и здоровых колен.

Позволяя «умному фильтру» выбирать самые характерные признаки

Современные сети изображений могут генерировать тысячи числовых признаков из одного снимка, но не все они полезны. Передача всего в классификатор добавляет шум, замедляет вычисления и даже может снижать точность. Чтобы решить эту проблему, авторы применили поисковую стратегию под названием оптимизатор радиуса Земли Аль‑Бируни (BER) в бинарной форме. Этот алгоритм ведет себя как рой цифровых исследователей, которые постоянно делят усилия между изучением новых областей «пространства решений» и уточнением перспективных направлений. Здесь каждый исследователь представляет собой различное подмножество признаков изображения. В ходе многих итераций алгоритм узнает, какие комбинации признаков лучше всего отделяют нормальные колени от пораженных остеоартрозом, и отбрасывает избыточную или бесполезную информацию.

Преобразование признаков в диагноз по шагам, похожим на временные

После отбора наиболее релевантных признаков их передают в тип нейросети, известный как долгосрочная короткосрочная память (LSTM). Хотя LSTM обычно применяют к временным рядам, в этом исследовании значения признаков упорядочены как последовательность. LSTM обрабатывает этот упорядоченный список шаг за шагом, принимая на каждом этапе решение о том, какую информацию сохранить, а какую забыть. Фактически она действует как мощный фильтр, улавливающий более высокоуровневые взаимосвязи между признаками, а не рассматривающий каждое число в изоляции. Затем оптимизатор BER используется во второй раз для тонкой настройки внутренних параметров LSTM, балансируя скорость обучения, сложность модели и способность обобщать новые рентгеновские снимки.

Насколько хорошо работает система?

Авторы обучали и тестировали свою систему на 3 835 размеченных рентгеновских снимков колена из публичного набора данных, разделенных на отдельные группы для обучения, валидации и финального тестирования. Они сравнили несколько сочетаний оптимизаторов и классификаторов, включая многослойные персептроны и LSTM, управляемые различными методами поиска, такими как рой частиц и оптимизация соколов Харриса. Победившая схема — признаки GoogleNet, отфильтрованные бинарным методом BER и классифицированные LSTM с настройкой BER — достигла примерно 99,5% точности на тестовой выборке. Она также показала очень высокую чувствительность и специфичность, то есть редко пропускала больные колени и редко ошибочно относила к пораженным здоровые. Статистические тесты (ANOVA и критерий Вилкоксона) подтвердили, что эти улучшения не случайны.

Скорость, эффективность и надежность

Кроме точности команда проанализировала вычислительные затраты и устойчивость. Они измерили, сколько вычислительной мощности, памяти и времени требует каждый метод оптимизации. Подход на основе BER достиг высокой производительности при меньших ресурсных затратах и сходился быстрее, чем другие техники. Модель также хорошо справилась с естественным дисбалансом между нормальными и пораженными изображениями: ее сбалансированная точность почти соответствовала общей точности, что показывает, что она не просто отдаёт предпочтение более частому классу. Дополнительные проверки с повторными запусками, доверительными интервалами и визуальной диагностикой ошибок показали, что поведение системы стабильно и воспроизводимо.

Что это может значить для пациентов

Проще говоря, эта работа демонстрирует, что система ИИ может просмотреть стандартные рентгеновские снимки колена и с очень небольшой долей ошибок определить наличие остеоартроза. Умно выбирая, каким деталям изображения доверять, и точно настраивая шаги принятия решений, метод превосходит многие существующие ИИ‑подходы в этой области. Хотя исследование основано на одном наборе данных и требует дальнейшей проверки в разных больницах, возрастных группах и на разных аппаратах, оно указывает на клиники будущего, где компьютер сможет быстро помечать ранние повреждения суставов для врачей, помогая вмешаться раньше и потенциально отсрочить или избежать замены коленного сустава.

Цитирование: 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

Ключевые слова: гонартроз, ИИ для медицинской визуализации, глубокое обучение, анализ рентгеновских снимков, метаэвристическая оптимизация