5.4.2 Osteofyytit
Osteofyytin tunnistaminen tuottaa menetelmässä jonkin verran ongelmia. Menetelmä on lii-an herkkä tunnistamalii-an osteofyyttejä tapauksissa, joissa sääriluun sivureunlii-an muoto ei ole pyöreä. Tämä johtaa poikkeavan suuriin osteofyytteihavaintoihin OARSI-luokissa 0 ja 1 (ku-vat 11 ja 12). Lisäksi oikean sivureunan tunnistaminen tuottaa ongelmia yli- ja alivalottuneis-sa kuvisalivalottuneis-sa sekä kuvisalivalottuneis-sa, joisalivalottuneis-sa reuna on muista syistä epäselkeä (kuva 10). Tämä johtaa puut-tuviin arvoihin 78 tapauksessa (5,0% kaikista sivureunoista). Hieman yleisempiä ja jossain määrin ongelmallisempia ovat tapaukset, joissa menetelmä havaitsee väärän reunan (n=99, 6,3%). Väärän reunan havaitseminen voi tapahtua tapauksissa, joissa jostain syystä sääriluun pinnan horisontaalinen reuna ei ole piirtynyt loppuun asti, jolloin sivureunaksi saatetaan vali-ta jokin luun tekstuuriin liittyvä virheellinen reuna. Oikean sivureunan havaitseminen on on-gelmallista myös tapauksissa, joissa reunan ympäristössä on todellisen reunan lisäksi myös virheellisesti havaittuja reunoja. Näissä tapauksissa reunat voivat sekoittua.
(a) Alivalottunut kuva, reuna epäselkeä molemmilla puolil-la
(b) Ylivalottunut kuva, reuna epäselkeä lateraalipuolella
(c) Vertikaalinen viiva late-raalipuolella sekoittuu todelli-seen reunaan
Kuvio 10: Esimerkkejä tapauksista, joissa sääriluun sivureunan löytyminen epäonnistuu (ku-vat: Osteoarthritis Initiative (OAI) 2008)
Korrelaatio alkuperäisellä toisen derivaatan nollan ylityskohtiin perustuvalla menetelmällä (d0) lasketun mediaalisen osteofyyttipinta-alan ja vastaavan OARSI-luokituksen kanssa on samaa luokkaa alkuperäisen tutkimuksen (r=0,50) kanssa. Kulmakertoimen erotuksiin pe-rustuva menetelmä (kk) vaikuttaisi korrelaatioiden perusteella toimivan mediaalipuolella hei-kommin kuin alkuperäisen tutkimuksen menetelmä. Alkuperäisen tutkimuksen menetelmä
KL-luokka 0 1 2 3 4 r
Med. em.◦ 127,55 ±3,45 124,76 ±3,67 124,27 ±3,60 121,97 ±3,90 122,5 ±6,26 -0,08 * Lat. em.◦ 128,38 ±3,60 128,52 ±3,78 120,86 ±3,56 121,47 ±3,97 124,73 ±5,72 -0,12 * Med. ost. pa. (kk) (mm2) 3,81 ±0,65 4,58 ±0,94 5,67 ±0,88 8,96 ±1,42 11,46 ±2,25 0,30 **
Taulukko 2: Muuttujien keskiarvot ja 95% luottamusvälit KL-luokittain, *=P < 0,05;
**=P<0,01
käytetyt lyhenteet:r=Spearmanin korrelaatiokerroin, med.=mediaalinen, lat.=lateraalinen, jsw=nivelraon korkeus, min.=minimi, diff.=erotus, em.=eminentia, h.=korkeus, ◦=kulma, ost.=osteofyytti, pa.=pinta-ala, k. poik.=keskimääräinen poikkeama
tosin vaikuttaa mediaalipuolella saavan huomattavan suuria arvoja myös tapauksissa, jois-sa osteofyyttiä ei todellisuudesjois-sa ole (taulukko 3). Lateraalipuolella taasen kulmakertoimien erotukseen perustuva menetelmä vaikuttaa saavuttavan jonkin verran alkuperäistä menetel-mää voimakkaampia korrelaatioita. Lateraalisen osteofyytin pinta-alasta Oka ym. 2008 eivät ilmoittaneet tuloksia, mutta tässä tutkimuksessa korrelaatiot lateraalipuolella vaikuttaisivat kauttaaltaan heikommilta kuin vastaavat korrelaatiot mediaalipuolella (ks. taulukko 3). Kes-kimääräinen poikkeama vaikuttaisi saavuttavan jossain määrin pinta-alaa voimakkaampia korrelaatioita. Todennäköisesti tämä johtuu siitä, että keskimääräinen poikkeama saa suh-teellisesti pienempiä arvoja kuin pinta-ala tapauksissa, joissa osteofyytti tunnistetaan liian kaukana sääriluun pinnasta.
(a) Lasketut sääriluun osteofyytin pinta-alan jakaumat lateraalisella sekä mediaa-lisella puolella
(b) Lasketut sääriluun lateraalisen osteofyytin pinta-alan jakaumat OARSI-luokittain
(c) Lasketut sääriluun mediaalisen osteofyy-tin pinta-alan jakaumat OARSI-luokittain
Kuvio 11: Osteofyytin pinta-alan jakaumat
(a) Lasketut sääriluun osteofyytin keskimääräisen poikkeaman jakaumat lateraa-lisella sekä mediaalateraa-lisella puolella
(b) Lasketut sääriluun lateraalisen osteo-fyytin keskimääräisen poikkeaman OARSI-luokittain
(c) Lasketut sääriluun mediaalisen osteo-fyytin keskimääräisen poikkeaman jakaumat OARSI-luokittain
5.4.3 Eminentian terävöityminen
Eminentian huippujen automaattinen löytäminen onnistuu pääasiassa hyvin. Ongelmia tuot-taa tapaukset, joissa eminentia ei ole selvästi kaksihuippuinen. Näissä tapauksissa mediaa-linen ja lateraamediaa-linen huippu saatetaan löytää samasta kohtaa. Myös tapaukset, joissa emi-nentian reunat eivät ole tarpeeksi selkeitä, tuottavat ongelmia. Näissä tapauksissa reunaviiva saattaa sisältää jonkin verran epäjatkuvuutta, eikä löydetty huippu täten välttämättä vastaa todellista huippua. Ongelmallisia ovat myös ne tapaukset, joissa eminentian huippu proji-soituu reisiluun taakse. Eminentian korkeudella vaikuttaisi olevan heikko, mutta
merkitse-OARSI-luokka 0 1 2 3 r
Taulukko 3: Muuttujien keskiarvot ja 95% luottamusvälit OARSI-luokittain,*=P<0,05;
**=P<0,01; lyhenteet selitetty taulukossa 2
vä korrelaatio KL-luokituksen kanssa sekä lateraalisella että mediaalisella puolella. Kuvista päätellen suhteet eivät tosin vaikuta kovinkaan lineaarisilta (kuva 13). T-testin perusteella ni-velrikkoisten ja nivelrikottomien polvien välillä kuitenkin vaikuttaisi olevan merkitsevä ero eminentian korkeudessa sekä mediaalisella että lateraalisella puolella. Eminentian kulmal-la ei vaikuttaisi olevan selkeää lineaarista suhdetta KL-luokitukseen kummalkulmal-lakaan puolelkulmal-la (kuva 14). Lateraalisella puolella kuitenkin on merkitsevä ero myös eminentian kulmassa nivelrikottomien ja nivelrikkoisten polvien välillä. Lisäksi eminentian terävöitymiseen liitty-villä muuttujilla vaikuttaisi olevan heikko korrelaatio osteofyytteihin (taulukko 1). Donnelly ym. 1996 tutkimukseen verrattuna lasketut kulmat vaikuttaisivat tässä tutkimuksessa olevan huomattavasti tylpempiä. Keskiarvoisesti kulmat ovat 125:n asteen luokkaa siinä, missä ne
aiemmassa tutkimuksessa olivat 100:n asteen luokkaa. Tämä johtunee siitä, että kulman las-kemiseen käytetyt pisteet ovat hyvin lähellä eminentian huippua. Käsin laskiessa huomioon otettava etäisyys lienee ollut pidempi.
(a) Lasketut eminentian korkeuden jakaumat lateraalisella sekä mediaalisella puolella
(b) Lasketut lateraalisen eminentian korkeu-den jakaumat KL-luokittain
(c) Lasketut mediaalisen eminentian korkeu-den jakaumat KL-luokittain
Kuvio 13: Eminentian korkeuden jakaumat
(a) Lasketut eminentian kulman jakaumat lateraalisella sekä mediaalisella puo-lella
(b) Lasketut lateraalisen eminentian kulman jakaumat KL-luokittain
(c) Lasketut mediaalisen eminentian kulman jakaumat KL-luokittain
Kuvio 14: Eminentian kulman jakaumat
6 Klusteroinnin soveltaminen automaattisesti laskettuihin polven nivelrikkoa selittäviin muuttujiin
Lopulta tutkielmassa selvitettiin, minkälainen luokitus polven nivelrikolle saadaan muodos-tettua pelkästään laskettujen muuttujien perusteella ohjaamattoman oppimisen avulla. Luo-kitusta analysoitiin tarkastelemalla kuinka muodostetut muuttujat jakautuivat klusterien vä-lille. Luokitusta arvioitiin verraten klustereita KL-luokitukseen ja alan asiantuntijan mielipi-teeseen.
Klusterointimenetelmäksi alustavien testien perusteella valittiin K-means-algoritmin variaa-tio K-means++, joka esiteltiin luvussa 3. Klusterointia testattiin ensin pelkkiin KL-luokituk-seen liittyviin muuttujiin nivelraon kaventumisesta ja osteofyyteistä perustuen ja sen jälkeen lisäämällä analyysiin mukaan myös eminentian terävöitymiseen liittyvät muuttujat. Osteo-fyyteistä käytettiin klusteroinnissa voimakkaimmin OARSI-luokituksen kanssa korreloivia arvoja. Mediaalipuolella siis toisen derivaatan nollanylityskohtiin perusteella laskettuja kes-kimääräisiä poikkeamia ja lateraalipuolella kulmakertoimien erotuksien perusteella laskettu-ja keskimääräisiä poikkeamia. Nivelraosta klusteroinnissa käytettiin minimiarvoa sekä medi-aalisen ja latermedi-aalisen nivelraon välistä erotusta. Klusterianalyysissä huomioon otettiin vain kuvat, joiden laskemisessa ei ilmennyt puuttuvia arvoja ja muuttujien laskemiseen käyte-tyn menetelmän katsottiin silmämääräisesti toimivan kyllin hyvin (n=623). Pääasiallisesti havaintoja karsittiin virheellisesti havaittujen merkittävän kookkaiden osteofyyttien perus-teella. Kaikkien muuttujien arvot standardoitiin Z-pisteytyksellä. Klusteroinnit tehtiin en-sin muiden muassa luvussa 3 esiteltyjen sisäisten validointi-indeksien ehdottamalla määrällä klustereita ja sitten KL-luokituksen motivoimana 5 klusterilla. Indekseinä käytettiin 22 R:n NbClust-kirjastossa toteutettua sisäistä klusterin validointi-indeksiä (Charrad ym. 2014). In-deksien arvot laskettiin klusterien määrille välillä 2–15 ja klusterien määräksi valittiin enem-mistön ehdottama määrä.
6.1 Klusterointi pelkkien KL-luokitukseen liittyvien muuttujien perus-teella
6.1.1 Validoimalla valittu klusterien määrä
Klusterien määräksi valittiin kolme, jota käytetyistä indekseistä ehdotti 13. Toiseksi yleisin ehdotus oli viiden indeksin ehdottama kaksi klusteria. Ensimmäinen klusteri on klustereis-ta selvästi suurin ja se sisältää havaintoja pääasiassa KL-luokisklustereis-ta 0–2 (klustereis-taulukko 4). Klus-terin keskiarvon perusteella havainnot sisältävät keskimääräistä pienempiä osteofyyttejä ja keskimääräistä korkeamman nivelraon. Nivelrakojen erotus on hyvin lähellä koko aineiston keskiarvoa (taulukko 5). Klusteriin kuuluvat 22 KL-luokkien 3 ja 4 havaintoa vaikuttavat olevan sellaisia, joissa havaitut osteofyytit eivät ole kovin suuria, mutta nivelrako on selvästi kaventunut. Taulukoiden 4 ja 5 perusteella klusterit 2 ja 3 voidaan tulkita vastaavasti lateraa-liseksi ja mediaalateraa-liseksi nivelrikoksi. Ne sisältävät pääosin havaintoja KL-luokista 2–4, joissa on keskimääräistä suurempia osteofyyttejä ja keskimääräistä matalampi nivelrako vastaavilla puolilla. Klusteriin 2 eli lateraalisen nivelrikon klusteriin kuuluu tosin myös havaintoja, jois-sa nivelrako on kaventunut selkeämmin mediaalipuolella, mutta lateraalipuolella havaitaan kookas osteofyytti. Klusterin 2 huomattavan suuri keskihajonta (taulukko 4) lateraalisten os-teofyyttien osalta johtuu lähinnä osteofyyttijakauman vinoudesta ja hajontaa on pääasiassa keskiarvoa suurempiin arvoihin. Klusterointi saavuttaa puhtausarvon 0,43 KL-luokitukseen nähden.
Yleisesti nivelrikkoisiksi määritellään sellaiset polvet, joiden KL-luokitus on 2 tai suurempi ja nivelrikottomiksi vastaavasti sellaiset polvet, joiden KL-luokitus on alle 2 (esim. Thom-son ym. 2016). Klusterointi vaikuttaisi tekevän vastaavan kaltaisen jaon karkeasti KL-luokan 3 suhteen. KL-luokan 2 havaintoja on tosin menetelmän epätarkkuuksista, KL-luokituksen tulkinnanvaraisuudesta ja nivelrikon jatkuvasta luonteesta johtuen merkittävä määrä myös vakavan nivelrikon klustereissa. Pelkän vakavuuden lisäksi klusterointi ottaa lisäksi myös huomioon sen, kummallako puolella nivelrikkoon liittyvät havainnot pääasiallisesti tehdään.
Tämä poikkeaa luvussa 4 esitellyistä aiemmista polven nivelrikon automaattiseen määrittä-miseen käytetyistä menetelmistä ja saattaisi olla perusteltua ottaa jatkossa huomioon.
KL-luokka 0 1 2 3 4
Klusteri 1 153 (37,5%) 129 (31,6%) 104 (25,5%) 21 (5,1%) 1 (0,2%) Klusteri 2 1 (1,3%) 1 (1,3%) 20 (26,0%) 35 (45,5%) 20 (26,0%) Klusteri 3 1 (0,7%) 3 (2,2%) 16 (11,6%) 78 (56,5%) 40 (29,0%)
Taulukko 4: Klusterit ristiintaulukoituna KL-luokituksen kanssa
lat. ost. med. ost. min. jsw. jsw. diff.
ka. sd. ka. sd. ka. sd. ka. sd.
Klusteri 1 -0,26 0,53 -0,45 0,61 0,51 0,70 0,04 0,60 Klusteri 2 1,55 1,58 0,21 0,97 -0,85 0,79 1,53 1,08 Klusteri 3 -0,16 0,64 1,14 0,99 -0,99 0,68 -0,95 0,72 Taulukko 5: Klusterien keskiarvot ja -hajonnat Z-pisteytettyinä
käytetyt lyhenteet: lat.=lateraalinen, med.=mediaalinen, jsw=nivelraon korkeus, min.=minimi, diff.=erotus, ost.=osteofyytti, ka.=keskiarvo, sd.=keskihajonta
6.1.2 5 klusteria
5 klusterin käyttäminen ei vaikuta tuovan merkityksellistä lisäarvoa klusterointiin. Lateraali-sen nivelrikon klusteri vaikuttaa nyt jakautuvan klustereihin 1 ja 4, joista klusteria 4 erityises-ti määrittelee poikkeuksellisen suuri lateraalinen osteofyyterityises-ti (taulukko 7). Lisäksi klusterilla 3 ei vaikuta olevan mitään merkityksellistä tulkintaa ja se sisältää havaintoja melko tasaises-ti KL-luokista 0–3 (taulukko 6). Klusteroinnin puhtausarvo on hieman 3 klusterilla tehdyn klusteroinnin arvoa pienempi 0,40.
KL-luokka 0 1 2 3 4
Klusteri 1 0 2 (4,2%) 10 (20,8%) 20 (41,7%) 16 (33,3%)
Klusteri 2 0 0 5 (5,9%) 44 (51,8%) 36 (42,4%)
Klusteri 3 47 (21,1%) 53 (23,8%) 63 (28,3%) 55 (24,7%) 5 (2,2%) Klusteri 4 0 1 (3,2%) 11 (35,5%) 15 (48,4%) 4 (12,9%) Klusteri 5 108 (45,8%) 77 (32,6%) 51 (21,6%) 0 0
Taulukko 6: Klusterit ristiintaulukoituna KL-luokituksen kanssa
lat. ost. med. ost. min. jsw. jsw. diff.
ka. sd. ka. sd. ka. sd. ka. sd.
Klusteri 1 0,41 0,86 -0,02 0,74 -0,99 0,74 2,02 0,69 Klusteri 2 -0,09 0,91 1,65 0,69 -1,24 0,69 -1,06 0,80 Klusteri 3 -0,26 0,60 -0,08 0,49 -0,18 0,49 -0,35 0,55 Klusteri 4 3,08 0,99 0,44 0,85 -0,52 0,85 0,79 1,24 Klusteri 5 -0,24 0,59 -0,61 0,59 0,91 0,59 0,21 0,56
Taulukko 7: Klusterien keskiarvot ja -hajonnat Z-pisteytettyinä, lyhenteet selitetty taulukossa 5
6.2 Klusterointi kaikkien laskettujen muuttujien perusteella
6.2.1 Validoimalla valittu klusterien määrä
Klusterien määräksi valittiin kahdeksan indeksin ehdottama neljä klusteria. Muita yleisiä eh-dotuksia oli kuuden indeksin ehdottama kaksi ja neljän indeksin ehdottama kolme. Kluste-rit 1 ja 2 vastaavat läheisesti ilman eminentian terävöitymiseen liittyviä muuttujia tehtyjen klusterointien lateraalisen ja mediaalisen nivelrikon klustereita. Varsinkin mediaalisen nivel-rikon klusterissa tosin vaikuttaisi myös eminentiat olevan keskivertoa jonkin verran teräväm-mät (taulukko 9). Varhaisempi nivelrikko vaikuttaisi nyt jakautuvan klustereihin 3 ja 4 sen perusteella, onko eminentiat keskivertoa matalammat ja tylpemmät vaiko terävöityneet. Mo-lempien klusterien havainnoista noin kymmenesosa on tosin edistyneemmästä nivelrikosta,
pääosin KL-luokasta 3 (taulukko 8). Klusteroinnin puhtausarvo on 0,40, eli samaa luokkaa aiempien klusterointien kanssa.
KL-luokka 0 1 2 3 4
Klusteri 1 1 (0,9%) 2 (1,8%) 9 (8,0%) 62 (54,9%) 39 (34,5%) Klusteri 2 1 (1,6%) 0 12 (18,8%) 33 (51,6%) 18 (28,1%) Klusteri 3 94 (38,2%) 68 (27,6%) 59 (24,0%) 23 (9,3%) 2 (0,8%) Klusteri 4 59 (29,5%) 63 (31,5%) 60 (30,0%) 16 (8,0%) 2 (1,0%)
Taulukko 8: Klusterit ristiintaulukoituna KL-luokituksen kanssa
lat. ost. med. ost. min. jsw. jsw. diff. med. em. h. lat. em. h. med. em.◦ lat. em.◦
ka. sd. ka. sd. ka. sd. ka. sd. ka. sd. ka. sd. ka. sd. ka. sd.
Klusteri 1 -0,17 0,65 1,29 1,03 -1,09 0,69 -0,99 0,76 0,47 0,88 0,48 0,95 -0,2 0,89 -0,21 0,87 Klusteri 2 1,73 1,65 0,27 0,99 -0,91 0,82 1,64 1,11 0,17 1,04 0,24 1,12 0,03 0,94 0,05 0,98 Klusteri 3 -0,24 0,55 -0,3 0,63 0,25 0,67 0,03 0,65 -0,7 0,73 -0,73 0,65 0,47 0,77 0,5 0,73 Klusteri 4 -0,21 0,59 -0,49 0,64 0,62 0,78 0,02 0,64 0,58 0,80 0,54 0,75 -0,41 0,88 -0,4 0,80
Taulukko 9: Klusterien keskiarvot ja -hajonnat Z-pisteytettyinä
lyhenteet kuten taulukossa 5, joiden lisäksi:em.=eminentia, h.=korkeus,◦=kulma
6.2.2 5 klusteria
Tässäkään tapauksessa 5 klusterin käyttäminen ei juuri tuo lisäarvoa klusterointiin. Klusterit 1–4 ovat tulkinnaltaan samankaltaisia kuin 4 klusterin tapauksessa. Klusterin 5 havainnoissa eminentia vaikuttaisi olevan jonkin verran terävöitynyt mediaalipuolella ja keskivertoa tyl-pempi ja matalampi lateraalipuolella (taulukko 11). Puhtausarvo on edelleen samaa luokkaa muiden klusterointien kanssa 0,41.
KL-luokka 0 1 2 3 4
Klusteri 1 66 (36,3%) 50 (27,5%) 46 (25,3%) 18 (9,9%) 2 (1,1%)
Klusteri 2 0 0 10 (16,9%) 32 (54,2%) 17 (28,8%)
Klusteri 3 36 (25,0%) 38 (26,4%) 49 (34,0%) 19 (13,2%) 2 (1,4%)
Klusteri 4 0 0 7 (7,1%) 54 (55,1%) 37 (37,8%)
Klusteri 5 53 (37,9%) 45 (32,1%) 28 (20,0%) 11 (7,9%) 3 (2,1%) Taulukko 10: Klusterit ristiintaulukoituna KL-luokituksen kanssa
lat. ost. med. ost. min. jsw. jsw. diff. med. em. h. lat. em. h. med. em.◦ lat. em.◦
ka. sd. ka. sd. ka. sd. ka. sd. ka. sd. ka. sd. ka. sd. ka. sd.
Klusteri 1 -0,23 0,58 -0,28 0,62 0,24 0,68 0,09 0,66 -0,9 0,66 -0,79 0,67 0,74 0,60 0,42 0,72 Klusteri 2 1,79 1,69 0,27 1,00 -1 0,78 1,69 1,13 0,15 1,13 0,27 1,10 0,06 0,94 0,07 0,95 Klusteri 3 -0,14 0,63 -0,33 0,67 0,53 0,82 0,05 0,67 0,52 0,67 0,85 0,65 -0,17 0,89 -0,78 0,61 Klusteri 4 -0,17 0,65 1,45 0,99 -1,16 0,70 -1,03 0,74 0,49 0,74 0,53 0,97 -0,15 0,86 -0,21 0,83 Klusteri 5 -0,26 0,53 -0,5 0,67 0,42 0,75 -0,14 0,68 0,27 0,68 -0,34 0,58 -0,64 0,72 0,53 0,70
Taulukko 11: Klusterien keskiarvot ja -hajonnat Z-pisteytettyinä, lyhenteet selitetty taulu-kossa 9
6.3 Klusterointien soveltaminen uuteen dataan
Muodostuneita klusterointeja testattiin lopulta vielä käyttäen Keski-Suomen sairaanhoitopii-rissä kerättyä 177 röntgenkuvasta sekä niistä tehdyistä KL-luokituksista koostuvaa aineistoa (KSSHP). Aineistosta 8 polvea karsiutui polven lokalisointimenetelmän epäonnistumisen ta-kia ja 7 puuttuvien arvojen tata-kia. Analyysi tehtiin lopulta siis 339 polvelle, joissa KL-luokat jakautuvat seuraavasti:
KL-luokitus 0 1 2 3 4
Määrä 109 128 81 20 1
.
Polvista lasketut arvot standardoitiin alkuperäiseen klusterointiin käytettyjen arvojen kes-kiarvojen ja keskihajontojen perusteella ja kukin polvi määritettiin kuulumaan sitä lähim-pää klusterin keskiarvoa vastaavaan klusteriin. Taulukko 12 kuvaa aineiston KL-luokkien
jakautumista luvun 6.1.1 klusterointiin sovellettuna ja taulukko 13 luvun 6.2.1 klusterointiin sovellettuna.
KL-luokka 0 1 2 3 4
Klusteri 1 104 (40,5%) 107 (41,6%) 45 (17,5%) 1 (0,4%) 0
Klusteri 2 3 (11,1%) 4 (14,8%) 10 (37,0%) 9 (33,3%) 1 (3,7 %) Klusteri 3 2 (3,6%) 17 (30,9%) 26 (47,3%) 10 (18,2 %) 0
Taulukko 12: Klusterit ristiintaulukoituna KL-luokituksen kanssa KSSHP-aineistossa
KL-luokka 0 1 2 3 4
Klusteri 1 1 (2,9%) 7 (20,0%) 18 (51,4%) 9 (25,7%) 0
Klusteri 2 1 (5,3%) 4 (21,1%) 5 (26,3%) 8 (42,1%) 1 (5,3%) Klusteri 3 89 (44,3%) 80 (39,8%) 29 (14,4%) 3 (1,5%) 0
Klusteri 4 18 (21,4%) 37 (44,0%) 29 (34,5%) 0 0
Taulukko 13: Klusterit ristiintaulukoituna KL-luokituksen kanssa KSSHP-aineistossa
Varhaisen nivelrikon klusterit vaikuttavat tässä tapauksessa selkeämmin sisältävän havain-toja pelkästään KL-luokista 0-2, kun taas vakavamman nivelrikon klustereihin sisältyy nyt useampia KL-luokkien 0 ja 1 havaintoja. Suurelta osin tämä johtuu siitä, että tästä datasta ei karsittu havaintoja, joissa menetelmä havaitsee virheellisesti kookkaan osteofyytin. Nyt siis tällaisten tapausten määritellään virheellisesti kuuluvan vakavan nivelrikon klusteriin. Se, et-tä varhaisen nivelrikon klustereissa on entiset-tä vähemmän vakavamman nivelrikon havainto-ja, johtunee osin aineistoissa käytettyjen KL-luokituksen tulkinnan tai määritelmän eroista.
KSSHP-aineistossa havainnot, joissa ei ole kookkaita osteofyyttejä, mutta nivelrako on ka-ventunut, määritellään OAI-aineistoon verrattuna varhaisempiin KL-luokkiin. Osittain ero johtunee myös yksinkertaisesti siitä, että KSSHP-aineisto vastaa läheisemmin todellista KL-luokkien jakaumaa, eli se sisältää huomattavasti enemmän varhaisen nivelrikon havaintoja kuin pidemmälle edenneen nivelrikon havaintoja.
7 Yhteenveto
Tässä tutkielmassa toteutettiin reunantunnistukseen perustuva automaattinen menetelmä pol-ven nivelrikkoon liittyvien muuttujien laskemiseksi. Menetelmä saavutti aiemmassa kirjal-lisuudessa esitellyn vastaavan menetelmän (Oka ym. 2008) kanssa vastaavantasoisia tulok-sia. Tutkielmassa toteutettiin myös tiettävästi ensimmäinen täysin automaattinen menetelmä eminentian terävöitymisen laskemiseen. Terävöitymisellä näytettiin aiempaa kirjallisuutta vastaten olevan heikko mutta merkitsevä yhteys nivelrikon vakavuusasteeseen.
Eminentian terävöityminen ja nivelraon kaventuminen vaikuttaisivat olevan varsin hyvin to-dennettavissa pelkästään tunnistettujen reunojen perusteella. Nivelraon osalta ongelmallisia ovat pääasiassa tapaukset, joissa nivelrako on kokonaan umpeutunut. Tämän takia erittäin vakavaksi edenneen nivelrikon todentaminen on menetelmälle jossain määrin ongelmallis-ta. Toisaalta tällaisten tapausten toteaminen vakavasti nivelrikkoisiksi lienee asiantuntijalle niin helppoa, ettei siihen automaattista menetelmää todennäköisesti tarvita. Osteofyyttien va-kavuuden selittämiseen pelkkä reuna vaikuttaisi olevan riittämätön ja todellisen sivureunan tunnistaminen automaattisesti epävarmaa. Lisäksi tutkielmassa käytetyn aineiston OARSI-luokituksia tarkastelemalla vaikuttaisi siltä, että osteofyyttien vakavuuden arvioinnissa tulisi pinta-alan lisäksi ottaa huomioon myös hankalasti numeerisesti ilmaistavat muuttujat osteo-fyytin muodosta ja tekstuurista.
Laskettujen muuttujien perusteella toteutettiin lopulta klusterointi. Klusteroinnin tuloksissa erityisesti mielenkiintoinen havainto oli se, että klusterointi KL-luokituksesta eroten luokit-telee vakavan nivelrikon kahtia sen perusteella ovatko nivelrikkoon liittyvät havainnot pol-vessa mediaalisella vai lateraalisella puolella. Vastaavasti varhaisen nivelrikon jakautuminen kahteen klusteriin eminentian terävöitymisen perusteella todettiin mielenkiintoiseksi havain-noksi. Sen selvittäminen onko eminentian terävöitymisen perusteella muodostuvilla kluste-reilla käytännöllistä eroa jää tosin jatkotutkimukseen. Aiemman kirjallisuuden perusteella esimerkiksi nivelrikon edistymisen todennäköisyyksiä klusterien välillä saattaisi olla mie-lenkiintoista vertailla.
Jatkotutkimuksessa saattaisi myös olla perusteltua soveltaa klusterointia esimerkiksi käsin
laskettuihin tarkempiin muuttujiin. Tutkielman kannalta automaattinen reunantunnistukseen perustuva menetelmä riitti hyvin näyttämään, että klusteroimalla nivelrikkoon liittyviä muut-tujia voidaan saavuttaa mielenkiintoisia tuloksia. Erityisesti osteofyyttien osalta tarkemmat tulokset todennäköisesti kuitenkin parantaisivat klusteroinnin tuloksia. Lisäksi klusteroinnis-sa voitaisiin myös ottaa huomioon tutkielman ulkopuolelle jätetyt reisiluun osteofyytit sekä muut nivelrikkoon liittyvät röntgenkuvista havaittavat muuttujat kuten skleroosi, hankaus ja luiden päiden deformiteetti. Myös erilaisten klusterointimenetelmien soveltaminen saattai-si tuottaa mielenkiintoisaattai-sia tuloksaattai-sia. Erityisesti luvussa 3.4 mainitun pehmeän klusteroinnin avulla saatavat tulokset voisivat käytännön kannalta olla arvokkaita, sillä klustereihin kuu-lumisen todennäköisyyksiä tarkastelemalla saatettaisiin saada tarkempi käsitys nivelrikon todellisesta vakavuudesta.
Lähteet
Altman, Roy, ja G. E. Gold. 2007. “Atlas of individual radiographic features in osteoarthritis, revised.”Osteoarthritis and cartilage15 Suppl A:A1–56.
Antony, Joseph. 2017. “Automatic quantification of radiographic knee osteoarthritis severity and associated diagnostic features using deep convolutional neural networks”. Tohtorinväi-töskirja, Dublin City University.
Antony, Joseph, Kevin McGuinness, Kieran Moran ja Noel O’Connor. 2017. “Automatic Detection of Knee Joints and Quantification of Knee Osteoarthritis Severity Using Convolu-tional Neural Networks”. Heinäkuu. doi:10.1007/978-3-319-62416-7_27.
Arthur, David, ja Sergei Vassilvitskii. 2007. “K-means++: The Advantages of Careful See-ding”. Teoksessa Proceedings of the Eighteenth Annual ACM-SIAM Symposium on Disc-rete Algorithms, 1027–1035. SODA ’07. New Orleans, Louisiana: Society for Industrial / Applied Mathematics.ISBN: 978-0-898716-24-5.http://dl.acm.org/citation.
cfm?id=1283383.1283494.
Borgelt, Christian. 2006. “Prototype-based classification and clustering”.
Canny, J. 1986. “A Computational Approach to Edge Detection”.IEEE Trans. Pattern Anal.
Mach. Intell. (Washington, DC, USA) 8, numero 6 (kesäkuu): 679–698. ISSN: 0162-8828.
doi:10.1109/TPAMI.1986.4767851.https://doi.org/10.1109/TPAMI.
1986.4767851.
Charrad, Malika, Nadia Ghazzali, Véronique Boiteau ja Azam Niknafs. 2014. “NbClust:
An R Package for Determining the Relevant Number of Clusters in a Data Set”.Journal of Statistical Software61 (6): 1–36.http://www.jstatsoft.org/v61/i06/.
Cootes, Tim F. 1992. “An Introduction to Active Shape Models *”.
Davies, David, ja Don Bouldin. 1979. “A Cluster Separation Measure”.Pattern Analysis and Machine Intelligence, IEEE Transactions onPAMI-1 (toukokuu): 224–227. doi:10.1109/
TPAMI.1979.4766909.
Donnelly, S, D J Hart, D V Doyle ja Tim Spector. 1996. “Spiking of the tibial tubercles -A radiological feature of osteoarthritis?” Annals of the rheumatic diseases55 (maaliskuu):
105–8. doi:10.1136/ard.55.2.105.
Ester, Martin, Hans-Peter Kriegel, Jörg Sander ja Xiaowei Xu. 1996. “A Density-based Al-gorithm for Discovering Clusters a Density-based AlAl-gorithm for Discovering Clusters in Lar-ge Spatial Databases with Noise”. TeoksessaProceedings of the Second International Con-ference on Knowledge Discovery and Data Mining, 226–231. KDD’96. Portland, Oregon:
AAAI Press.http://dl.acm.org/citation.cfm?id=3001460.3001507.
Goodfellow, Ian, Yoshua Bengio ja Aaron Courville. 2016.Deep Learning.http://www.
deeplearningbook.org. MIT Press.
Gornale, Shivanand S., Pooja U. Patravali ja Ramesh R. Manza. 2016. “A Survey on Explo-ration and Classification of Osteoarthritis Using Image Processing Techniques”.
Halkidi, Maria, Yannis Batistakis ja Michalis Vazirgiannis. 2001. “On Clustering Validation Techniques”.Journal of Intelligent Information Systems17, numero 2 (joulukuu): 107–145.
ISSN: 1573-7675. doi:10 . 1023 / A : 1012801612483. https : / / doi . org / 10 . 1023/A:1012801612483.
Hastie, Trevor J., Robert Tibshirani ja Jerome H. Friedman. 2009.The elements of statistical learning: data mining, inference, and prediction, 2nd Edition.
Heidari, Behzad. 2011. “Knee osteoarthritis prevalence, risk factors, pathogenesis and featu-res: Part I”.Caspian journal of internal medicine2 (maaliskuu): 205–212.
Kellgren, J. H., ja J. S. Lawrence. 1957. “Radiological Assessment of Osteo-Arthrosis”.
Annals of the Rheumatic Diseases16 (4): 494–502.ISSN: 0003-4967. doi:10.1136/ard.
16.4.494. eprint:https://ard.bmj.com/content/16/4/494.full.pdf.
https://ard.bmj.com/content/16/4/494.
Kinds, M.B., A.C.A. Marijnissen, K.L. Vincken, M.A. Viergever, K.W. Drossaers-Bakker, J.W.J. Bijlsma, S.M.A. Bierma-Zeinstra, P.M.J. Welsing ja F.P.J.G. Lafeber. 2012. “Eva-luation of separate quantitative radiographic features adds to the prediction of incident ra-diographic osteoarthritis in individuals with recent onset of knee pain: 5-year follow-up in the CHECK cohort”. Osteoarthritis and Cartilage 20 (6): 548–556. ISSN: 1063-4584.
doi:https://doi.org/10.1016/j.joca.2012.02.009.
Kohn, Mark, Adam Sassoon ja Navin Fernando. 2016. “Classifications in Brief: Kellgren-Lawrence Classification of Osteoarthritis”.Clinical Orthopaedics and Related Research474 (helmikuu). doi:10.1007/s11999-016-4732-4.
Lindner, Claudia, Shankar Thiagarajah, J. Mark Wilkinson, Gillian A. Wallis ja Tim F. Coo-tes. 2013. “Accurate Bone Segmentation in 2D Radiographs Using Fully Automatic Shape Model Matching Based On Regression-Voting”. TeoksessaMedical Image Computing and Computer-Assisted Intervention – MICCAI 2013,toimittanut Kensaku Mori, Ichiro Sakuma, Yoshinobu Sato, Christian Barillot ja Nassir Navab, 181–189. Berlin, Heidelberg: Springer Berlin Heidelberg.ISBN: 978-3-642-40763-5.
Marijnissen, A.C.A., K.L. Vincken, P.A.J.M. Vos, D.B.F. Saris, M.A. Viergever, J.W.J. Bijls-ma, L.W. Bartels ja F.P.J.G. Lafeber. 2008. “Knee Images Digital Analysis (KIDA): a novel method to quantify individual radiographic features of knee osteoarthritis in detail”. Os-teoarthritis and Cartilage16 (2): 234–243. ISSN: 1063-4584. doi:https://doi.org/
10 . 1016 / j . joca . 2007 . 06 . 009. http : / / www . sciencedirect . com / science/article/pii/S1063458407002294.
MOT Lääketiede 2.0a.2018. Viitattu 12.12.2019. Kielikone Oy.http://mot.kieliko ne.fi/mot/jyu/netmot.exe.
O’Shea, Keiron, ja Ryan Nash. 2015. An Introduction to Convolutional Neural Networks.
arXiv:1511.08458 [cs.NE].
Oka, H, S Muraki, T Akune, A Mabuchi, T Suzuki, H Yoshida, S Yamamoto, K Nakamura, N Yoshimura ja Hiroshi Kawaguchi. 2008. “Fully Automatic Quantification of Knee Os-teoarthritis Severity on Plain Radiographs”.Osteoarthritis and cartilage / OARS, Osteoarth-ritis Research Society16 (toukokuu): 1300–6. doi:10.1016/j.joca.2008.03.011.
Oka, H, S Muraki, T Akune, K Nakamura, H Kawaguchi ja N Yoshimura. 2010. “Normal and threshold values of radiographic parameters for knee osteoarthritis using a computer-assisted measuring system (KOACAD): The ROAD study”.Journal of orthopaedic science : official journal of the Japanese Orthopaedic Association15 (marraskuu): 781–9. doi:10.
1007/s00776-010-1545-2.
Osteoarthritis Initiative (OAI). 2008. “Baseline X-ray and MRI images for entire cohort (4,796 participants)”. Haettu syksyllä 2019.https://nda.nih.gov/oai.
Rousseeuw, Peter. 1987. “Rousseeuw, P.J.: Silhouettes: A Graphical Aid to the Interpretation and Validation of Cluster Analysis. Comput. Appl. Math. 20, 53-65”.Journal of Computa-tional and Applied Mathematics20 (marraskuu): 53–65. doi:10.1016/0377-0427(87) 90125-7.
Schiphof, D, M Boers ja S M A Bierma-Zeinstra. 2008. “Differences in descriptions of Kellgren and Lawrence grades of knee osteoarthritis”.Annals of the Rheumatic Diseases67 (7): 1034–1036.ISSN: 0003-4967. doi:10.1136/ard.2007.079020. eprint: https:
//ard.bmj.com/content/67/7/1034.full.pdf.https://ard.bmj.com/
content/67/7/1034.
Scott, C. E. H., R. W. Nutton ja L. C. Biant. 2013. “Lateral compartment osteoarthritis of the knee”. PMID: 23539693,The Bone & Joint Journal95-B (4): 436–444. doi:10.1302/
0301- 620X.95B4.30536. eprint: https://doi.org/10.1302/0301- 620X.
95B4.30536.https://doi.org/10.1302/0301-620X.95B4.30536.
Shamir, L., S. M. Ling, W. W. Scott, Jr., A. Bos, N. Orlov, T. J. Macura, D. M. Eckley, L. Ferrucci ja I. G. Goldberg. 2009. “Knee X-Ray Image Analysis Method for Automated Detection of Osteoarthritis”. IEEE Transactions on Biomedical Engineering 56, numero 2 (helmikuu): 407–415. doi:10.1109/TBME.2008.2006025.
Shamir, Lior, Nikita Orlov, Tomasz Macura, Josiah Johnston, David Eckley ja Ilya Goldberg.
2008. “WND-CHARM:Multi-purpose image classification using compound image trans-forms”.Pattern Recognition Letters29 (elokuu): 1684–1693.
2008. “WND-CHARM:Multi-purpose image classification using compound image trans-forms”.Pattern Recognition Letters29 (elokuu): 1684–1693.