Search

La osteoartritis (OA) es una enfermedad común a nivel mundial, que afecta especialmente a los adultos mayores, causando incapacidad física y un impacto en la calidad de vida. En el proceso de diagnóstico de la OA un médico especialista emplea imágenes médicas para diagnosticar su grado de avance a partir del análisis fisiopatológico de la enfermedad. Hoy en día, esta compleja tarea de diagnóstico es un campo de investigación para el aprendizaje automático (ML) y su forma de aprendizaje supervisada. En este Trabajo se presenta el desarrollo de clasificadores de ML para la clasificación de OA de rodilla, según la escala de severidad de Kellgren-Lawrence. Para el desarrollo de los clasificadores se estudiaron distintas redes neuronales convolucionales (CNN): VGG16, InceptionV3, Xception, MobileNet y DenseNet121 en base a imágenes de resonancia magnética (MRI) de pacientes, obtenidas desde la base datos Iniciativa de Osteoartritis (OAI). El enfoque del Trabajo combina dos métodos de aprendizaje por transferencia: modelos de clasificación a partir de CNN pre-entrenadas; y modelos de clasificación de máquinas de vector de soporte (SVM) en base a características extraídas desde CNN pre-entrenadas y la técnica de análisis de componentes principales (PCA). Además, a fin de incrementar la exactitud de predicción de los modelos entrenados para la clasificación de OA, se estudió un método de ensamble: la técnica de mayoría de votos. Finalmente, los resultados obtenidos del experimento demuestran que el método de ensamble es capaz de aumentar la exactitud de predicción desde 55.3% a un 60.6% en la clasificación de OA. Osteoarthritis (OA) is a common disease worldwide, which especially affects older adults, causing physical disability and an impact on quality of life. In the process of diagnosing OA, a specialist doctor uses medical images to diagnose its degree of progress based on the pathophysiological analysis of the disease. Today, this complex diagnostic task is a research field for machine learning (ML) and its form of supervised learning. This Work presents the development of ML classifiers for the classification of knee OA, according to the Kellgren-Lawrence severity scale. For the development of the classifiers, different convolutional neural networks (CNN) were studied: VGG16, InceptionV3, Xception, MobileNet and DenseNet121 based on magnetic resonance images (MRI) of patients, obtained from the Osteoarthritis Initiative (OAI) database. The Work approach combines two transfer learning methods: classification models from pre-trained CNNs; and support vector machine (SVM) classification models based on features extracted from pre-trained CNNs and the principal component analysis (PCA) technique. Furthermore, in order to increase the prediction accuracy of the trained models for OA classification, an assembly method was studied: the majority vote technique. Finally, the results obtained from the experiment show that the assembly method is capable of increasing the prediction accuracy from 55.3% to 60.6% in the OA classification. La osteoartritis (OA) és una malaltia comuna a nivell mundial, que afecta especialment els adults majors, causant incapacitat física i un impacte en la qualitat de vida. En el procés de diagnòstic de la OA un metge especialista empra imatges mèdiques per a diagnosticar el seu grau d'avanç a partir de l'anàlisi fisiopatològica de la malaltia. Avui dia, aquesta complexa tasca de diagnòstic és un camp de recerca per a l'aprenentatge automàtic (ML) i la seva forma d'aprenentatge supervisada. En aquest Treball es presenta el desenvolupament de classificadors de ML per a la classificació de OA de genoll, segons l'escala de severitat de Kellgren-Lawrence. Per al desenvolupament dels classificadors es van estudiar diferents xarxes neuronals convolucionals (CNN): VGG16, InceptionV3, Xception, MobileNet i DenseNet121 sobre la base d'imatges de ressonància magnètica (MRI) de pacients, obtingudes des de la base dades Iniciativa de Osteoartritis (OAI). L'enfocament del Treball combina dos mètodes d'aprenentatge per transferència: models de classificació a partir de CNN pre-entrenades; i models de classificació de màquines de vector de suport (SVM) sobre la base de característiques extretes des de CNN pre-entrenades i la tècnica d'anàlisi de components principals (PCA). A més, a fi d'incrementar l'exactitud de predicció dels models entrenats per a la classificació de OA, es va estudiar un mètode d'assembli: la tècnica de majoria de vots. Finalment, els resultats obtinguts de l'experiment demostren que el mètode d'assembli és capaç d'augmentar l'exactitud de predicció des de 55.3% a un 60.6% en la classificació de OA.

Purpose: Osteoarthritis of the knee is a complex interaction of biological, mechanical, and biochemical factors that are further complicated by injury, which accelerates pathological processes within the joint. As a result, athletes, particularly those with a history of knee injury, have an earlier onset and higher prevalence of osteoarthritis that would be expected based on their age. This can present a clinical dilemma to the physician managing the patient who, despite the presence of radiologically confirmed disease, has few symptoms and wishes to maintain an active lifestyle. Methods: We reviewed meta-analyses and systematic reviews of randomized controlled trials about clinical management of knee osteoarthritis with special interest on effect sizes. Results: Numerous management options have undergone the rigor of clinical trials and subsequently have been summarized in meta-analyses and systematic reviews, the results of which offer evidence regarding varying degrees of effect. Based on the available evidence, most summaries and clinical practice guidelines suggest a regimen of patient education, self-management, weight control, and exercise supported by individualized pain management strategies. Other noninvasive or less invasive strategies are available that have varying degrees of effect. Conclusions: Although the evidence supporting many of the clinical management options might be considered modest, those effects are sufficient to permit an active lifestyle and have, given the prevalence of the disease, a public health impact.