Prediction of accelerated knee Osteoarthritis using a convolutional neural network

Abstract

Osteoarthrose (OA) ist weltweit die häufigste degenerative Gelenk Krankheit, wobei ein Endstadium innerhalb von 10 bis 15 Jahren erreicht wird. In 3.4% der Fälle tritt jedoch eine sich schnell entwickelnde KOA auf (AKOA), bei sich die Entwicklung bis zum Endstadium auf 1 bis 4 Jahre reduziert und häufig auf ein künstliches Kniegelenk hinausläuft. Eine frühzeitige Diagnose von AKOA könnte mehr Zeit verschaffen, um alternative, weniger invasive, medizinische Behandlungen zu finden. Außerdem würde die Forschung im Bezug auf krankheits modifizierender Medikamente beschleunigt werden, indem AKOA Patienten als Testgruppe einfacher rekrutiert werden können. Bisher ist die Vorhersage von AKOA anhand eines Röntgenbildes nicht möglich, da keine wesentlichen optischen Unterschiede KOA von AKOA im frühen Stadium zu erkennen sind. Da Neuronale Netzwerke in der Lage sind Strukturen auf Bildern zu erkennen, welche für das menschliche Auge nicht ersichtlich sind, werde ich in dieser Arbeit ein Convolutional Neural Network (CNN) als Klassifizierer verwenden, um AKOA zu prognostizieren. Die mir zur Verfügung stehenden Daten extrahierte ich aus den Datensätzen drei verschiedener Studien. Als Input für das Netzwerk dienten neben dem Röntgenbild, numerische Informationen über Body Mass Index (BMI), Alter, Geschlecht, Western Ontario and Mc-Master Universities Arthritis Index (WOMAC) score, Symptome in der Hüfte, Zuführung von Kniearthrose Medikamenten und die Kellgren-Lawrence (KL)-grade. AKOA wurde zuerst mit > 10% Gelenkspalt Verringerung (JSN) und später mit > 20% Gelenkspalt Verringerung innerhalb von mindestens 2 Jahren definiert. Beide Definitionen verwendete ich, um die Vorhersagekraft des Netzwerks zu optimieren. Mit numerischen Daten trainierte ich ein Extreme Gradient Boosting (XGBoost) Modell unter Einbezug aller numerischer Features und dem Osteoarthritis Research Society International (OARSI) score von Sklerose und Osteophytose. Hierbei erziehlte das Netzwerk eine AUC (Fläche unter der Receiver Operating Characteristic (ROC) Kurve) von 0.6616 (20% JSN/ 2 Jahre). Um die Bilddaten zu integrieren, nutzte ich ein CNN, dessen Architektur auf einem Residual Network (ResNet) 50 basiert. Das CNN mit rein Bilddaten als Input, klassifizierte mit einer AUC von 56.26% (10% JSN/ 2 Jahre). Nach dem Hinzufügen der wichtigsten numerischen Daten (Geschlecht, BMI, kontralaterale KOA, KL-grade) als Input, erreichte ich eine AUC von 68.78% (20% JSN/ 2 Jahre). Diese Ergebnisse zeigen, dass es möglich ist eine Risikoeinschätzung über die Entwicklung von AKOA mithilfe eines Röntgenbildes und der numerischen Daten von Geschlecht, BMI, KL-grade und der Information über vorliegende KOA zu machen. Da bisher keine anderen verlässlichen Hilfsmittel und Methoden zur Verfügung stehen, haben Neuronale Netzwerke großes Potenzial dies zu ermöglichen.

Osteoarthritis (OA) is a slowly degenerative joint disease, with cartilage loss as one of the most characteristic symptoms accompanied by pain and functional disability. The knee region is the most affected area. 22.9% of the worldwide population over the age of 40 were affected in 2020 by Knee Osteoarthritis (KOA). Besides normal KOA, which develops over multiple years, the accelerated form of KOA (AKOA) develops between 1 and 4 years and is accompanied by increased pain and movement restrictions as well as a higher chance of obtaining a knee replacement. The development of AKOA is not yet predictable on the basis of a single X-ray image because there is no apparent optical difference between the baseline X-ray of KOA and AKOA. Since Convolutional Neural Networks (CNN) can identify image structures that a human eye can not see, I want to realise an early diagnosis of AKOA by using a Convolutional Neural Network (CNN) as a classifier between slow- and fast-progressing KOA.For this purpose, I used the data from three different studies, including a knee X-ray, Body Mass Index (BMI), age, gender, Western Ontario and McMaster Universities Arthritis Index (WOMAC) scores, hip symptoms, knee medication injection and Kellgren- Lawrence (KL)-grade, as input for binary classification models. I defined AKOA once with Joint Space Narrowing (JSN) > 10%/ 2 years and once with JSN > 20%/ 2 years and performed different experiments in order to find the best method to predict AKOA. I trained the numeric data only on an Extreme Gradient Boosting (XGBoost) model. Here I achieved the highest performance of an Area Under the Curve (AUC) of 0.6616 when including the Osteoarthritis Research Society International (OARSI) score of sclerosis and osteophytosis to the numeric input data (20% JSN/ 2 years). To use image data only and the combination of both, I created different CNN models, whose architecture is based on a Residual Network (ResNet) 50 model provided by Image Biopsy Lab (IBLab). The CNN model, which I trained only with image data, yielded an AUC of 56.26% (10% JSN/ 2 years). Using the image data complemented with the most important numeric features (gender, BMI, contralateral KOA, KL-grade) as input, I achieved an AUC of 68.78% (20% JSN/ 2 years). Comparable results, but obtained with other class definitions than in this work, were higher and yielded AUCs of around 0.8.These results show that it is possible to make a risk assessment about the development of AKOA using the baseline X-ray image, gender, BMI, the KL-grade and the information about contralateral KOA. Until now, radiologists are not capable of predicting fast-progressing KOA. Hence, these networks have a great potential to be used as AKOA prediction tools.