Exakt klassificering och prediktion av knäartros baserat på Al-Biruni Earth Radius metaheuristisk optimerare och LSTM-klassificerare

Varför detta spelar roll för värkande knän

Knäsmärta orsakad av artros drabbar hundratals miljoner människor och kan så småningom leda till ledprotes. I dag förlitar sig läkare fortfarande i stor utsträckning på att visuellt tolka röntgenbilder, vilket kan missa tidig sjukdom och är beroende av individuell bedömning. Denna studie visar hur ett noggrant utformat artificiellt intelligens (AI)-system kan läsa knäröntgen med anmärkningsvärd noggrannhet, och erbjuda ett snabbare och mer konsekvent sätt att upptäcka problem tidigt och hjälpa patienter undvika svår funktionsnedsättning.

Förstå slitage i knät

Knäartros är en långsam nedbrytning av den släta broskyddet som dämpar leden, följt av förändringar i underliggande ben. Det är särskilt vanligt hos äldre vuxna, kvinnor efter klimakteriet och personer med övervikt eller tidigare knäskador. Många patienter får diagnosen först när skadorna redan är långt framskridna, då smärta och stelhet gör vardagliga uppgifter svåra och ledbyte kan vara den enda utvägen. Befintliga metoder som kombinerar symtom, klinisk undersökning och visuell inspektion av röntgen- eller MR-bilder är ofullständiga och upptäcker ofta sjukdomen relativt sent i dess förlopp.

Hur AI lär sig att tolka knäröntgen

Forskarna byggde ett flerstegs-AI-flöde som tar råa knäröntgenbilder och successivt omvandlar dem till ett enkelt beslut: artros eller normalt. Först använde de stora, förtränade bildigenkänningsnätverk—AlexNet, VGG19 och GoogleNet—för att automatiskt extrahera visuella mönster från varje röntgenbild. Dessa nätverk, ursprungligen tränade på vardagsfotografier, kan identifiera subtila former och texturer som ledmellanrummets förträngning och små benutskott som är svåra att kvantifiera med blotta ögat. Av dessa alternativ gav GoogleNet de mest informationsrika bildfunktionerna för att skilja sjuka från friska knän.

Låta ett smart filter välja de mest talande ledtrådarna

Moderna bildnätverk kan generera tusentals numeriska egenskaper från en enda bild, men inte alla är användbara. Att mata in allt i en klassificerare kan öka brus, sakta ner beräkningen och till och med försämra noggrannheten. För att lösa detta använde författarna en sökstrategi kallad Al-Biruni Earth Radius (BER) optimerare i binär form. Denna algoritm beter sig som ett svärmande av digitala upptäcktsresande som kontinuerligt delar upp sina ansträngningar mellan att skanna nya regioner i ”lösningsutrymmet” och att förfina lovande områden. Här representerar varje upptäcktsresande ett annat delmängd av bildfunktioner. Över många omgångar lär sig algoritmen vilka kombinationer av funktioner som bäst skiljer normala från artrotiska knän och slänger bort överflödig eller oanvändbar information.

Förvandla funktioner till en diagnos över tidsliknande steg

När de mest relevanta funktionerna är valda skickas de till en typ av neuralt nätverk känt som long short-term memory (LSTM). Även om LSTM vanligtvis används för tidsserier arrangeras i denna studie funktionsvärdena som en sekvens. LSTM bearbetar denna ordnade lista steg för steg och avgör i varje skede vilken information som ska behållas och vilken som ska glömmas. I praktiken fungerar det som ett kraftfullt filter som fångar högre ordningens relationer mellan funktioner, snarare än att se på varje siffra isolerat. BER-optimeraren används sedan en andra gång för att finjustera LSTM:s interna inställningar, balansera hur snabbt det lär sig, hur komplext det blir och hur väl det generaliserar till nya röntgenbilder.

Hur bra presterar systemet?

Författarna tränade och testade sitt system på 3 835 märkta knäröntgenbilder från en publik datamängd, uppdelade i separata grupper för träning, validering och sluttest. De jämförde flera kombinationer av optimerare och klassificerare, inklusive multilagerperceptron-nätverk och LSTM:er vägledda av olika sökmetoder såsom partikel-svärm och Harris hawks-optimering. Den vinnande konstruktionen—GoogleNet-funktioner filtrerade med den binära BER-metoden och klassificerade av en BER-fintunad LSTM—uppnådde cirka 99,5 % noggrannhet på testsetet. Den visade också mycket hög känslighet och specificitet, vilket betyder att den sällan missade sjuka knän och sällan felklassificerade friska. Statistiska tester (ANOVA och Wilcoxon teckenrangtest) bekräftade att dessa förbättringar inte berodde på slumpen.

Hastighet, effektivitet och tillförlitlighet

Utöver noggrannhet analyserade teamet beräkningskostnad och robusthet. De mätte hur mycket processorkraft, minne och tid varje optimeringsmetod krävde. BER-baserade tillvägagångssättet nådde topprestation samtidigt som det använde färre resurser och konvergerade snabbare än andra tekniker. Modellen hanterade också den naturliga obalansen mellan normala och artrotiska bilder väl: dess balanserade noggrannhet motsvarade nästan dess totala noggrannhet, vilket visar att den inte bara gynnade den vanligare klassen. Ytterligare kontroller med upprepade körningar, konfidensintervall och visuella diagnoser av fel indikerade att systemets beteende var stabilt och reproducerbart.

Vad detta kan innebära för patienter

Enkelt uttryckt visar detta arbete att ett AI-system kan granska standardiserade knäröntgen och avgöra, med mycket få misstag, om artros förekommer. Genom att smart välja vilka bilddetaljer som är pålitliga och noggrant finjustera sina beslutssteg överträffar metoden många befintliga AI-ansatser inom området. Även om studien bygger på en enda datamängd och fortfarande behöver testas över sjukhus, åldersgrupper och bildgivare pekar den mot framtida kliniker där en dator snabbt kan markera tidiga ledskador för läkare, hjälpa dem att ingripa tidigare och potentiellt fördröja eller undvika knäledsbyte.

Citering: 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

Nyckelord: knäartros, medicinsk bildbehandling AI, djupinlärning, röntgenanalys, metaheuristisk optimering