Un team cinese, afferente al Dipartimento di Ortopedia e Medicina dello Sport del Secondo Ospedale Affiliato alla Harbin Medical University e a due dipartimenti della stessa università, quello di Control Science and Engineering e di Biostatistica, propone un modello automatizzato per il calcolo dello spessore delle cartilagini del ginocchio.
Pubblicato su Frontiers Medicine, lo studio parte dalla valutazione retrospettiva di 700 immagini RMN sul piano sagittale, presi da quattro dataset: quello dell’ospedale coinvolto, quello pubblico del Osteoarthritis Initiative Study Protocol; il fastMRI dataset (anch’esso pubblico) e SKI10. Le immagini sono state accuratamente rivalutate da diversi attori per calcolare manualmente lo spesso delle cartilagini incluse, per avere un punto di confronto con i risultati dati dai modelli di intelligenza artificiale selezionati.
I modelli di IA
Gli autori hanno deciso di affidarsi a modelli di segmentazione deep learning, quattro per la precisione: UNet, UNet++, ResUNet e TransUNet. Prima di dare in rielaborazione le immagini a questi algoritmi, sono state rese della stessa dimensione e normalizzate. In tutto le segmentazioni ottenute sono 2.800, 700 per algoritmo.
Una volta conclusa la segmentazione, di procede con la misurazione dello spessore della cartilagine, effettuata con MATLAB. I risultati ottenuti sono stati a loro volta classificati in quattro gradi, seguendo la classificazione di Recht e quella di ICRS: grado 1, spessore nella norma o con lievi lesioni superficiali; grado 2, danno cartilagineo, ma che interessa meno della metà dello spessore; grado 3, danni cartilaginei per più della metà dello spessore; grado 4, danni a tutto spessore della cartilagine, con osso subcondrale esposto. Vediamo che esiti sono stati ottenuti.
Efficacia del metodo
Per quanto riguarda la segmentazione, l’algoritmo che ha dato performance migliori è il TransUNet: il suo DSC generale è di 0,813, mentre quello specifico per la cartilagine tibiale è 0,823 e quello per la cartilagine tibiale di 0,803.
Che dire, invece, per la misurazione automatizzata dello spessore cartilagineo? Il confronto tra gli esiti ottenuti da ortopedici umani e il processo in MATLAB mostra che il sistema automatizzato ha una accuratezza dell’89,99%. L’errore medio percentuale assoluto (MAPE) è invece di circa il 10%.
Ancora una volta l’algoritmo TransUNet consente di ottenere gli esiti migliori rispetto agli altri tre testati, sia in termini di accuratezza che di MAPE. Il metodo richiede ancora approfondimenti, ma i risultati presentati portano gli autori a dichiararlo uno strumento utile, potenzialmente capace di supportare lo specialista nel fare diagnosi più precise.
Studio: Guo J, Yan P, Qin Y, Liu M, Ma Y, Li J, Wang R, Luo H, Lv S. Automated measurement and grading of knee cartilage thickness: a deep learning-based approach. Front Med (Lausanne). 2024 Feb 29;11:1337993. doi: 10.3389/fmed.2024.1337993. PMID: 38487024; PMCID: PMC10939064