Acceso usuarios
[1]
;
Florencio Pablo Segura
[1]
;
María Paz Lucero Zudaire
[1]
;
Florencio Vicente Segura
[1]
;
Rocío Mendía
[2]
;
Lucía Ribotta Falco
[2]
;
Paula Sofía Zalazar
[2]
;
Daniel Esteban Sequeira
[2]
Argentina
Introducción: La artrosis de rodilla es una enfermedad osteoarticular prevalente y debilitante, especialmente en adultos mayores. Su detección temprana y la clasificación precisa son cruciales para mejorar los resultados clínicos.
Objetivos: Investigar el uso de la inteligencia artificial y la visión por computadora para la detección y clasificación automatizada de la artrosis de rodilla según la escala de Kellgren-Lawrence. Desarrollar un sistema automatizado y evaluar su precisión para clasificar la gravedad de la enfermedad.
Materiales y Métodos: Se utilizó un conjunto de datos públicos con imágenes radiográficas de rodillas clasificadas según la escala de Kellgren-Lawrence. Las imágenes fueron procesadas con el programa LandingLens, empleando la arquitectura ConvNext, una red neuronal convolucional. El modelo fue entrenado con 995 imágenes y evaluado con 240 imágenes de prueba.
Resultados: El modelo alcanzó una precisión global del 92,55% en la clasificación de la artrosis de rodilla, con una sensibilidad del 93,33%. La precisión por clase fue del 97,87% para el grado 0; 79,74% para el grado 1; 88,68% para el grado 2; 94,04% para el grado 3 y 99,42% para el grado 4.
Conclusiones: El estudio confirma la eficacia de la inteligencia artificial y la visión por computadora en la detección automatizada de la artrosis de rodilla. La integración de estas tecnologías en la práctica clínica podría mejorar la eficiencia, la consistencia en la evaluación de los pacientes y los resultados clínicos, y así favorecer una atención médica más personalizada.
Introduction: Knee osteoarthritis is a prevalent and debilitating musculoskeletal condition, particularly in the elderly. Early detection and accurate classification are crucial for improving patient outcomes. Objective: To investigate the application of artificial intelligence (AI) and computer vision for the automated detection and classification of knee osteoarthritis based on the Kellgren-Lawrence (KL) scale. Additionally, to develop and evaluate an automated system capable of accurately classifying the severity of the disease. Materials and Methods: A public dataset of radiographic knee images pre-classified according to the KL scale was used. The images were processed with LandingLens software, using the ConvNext architecture, a convolutional neural network. The model was trained with 995 images and was used to evaluate 240 trial images. Results: The model achieved an overall ac-curacy of 92.55% in classifying knee osteoarthritis according to the KL scale, with a sensitivity of 93.33%. Per-class accuracy was as follows: 97.87% for grade 0, 79.74% for grade 1, 88.68% for grade 2, 94.04% for grade 3, and 99.42% for grade 4. Conclusions: This study confirms the efficacy of AI and computer vision technologies in the automated detection of knee osteoarthritis. Integrat-ing these technologies into clinical practice can enhance the efficiency and consistency of patient evaluations, ultimately leading to improved clinical outcomes and more personalized care.
