New imaging system could automate arthritis diagnosis during knee surgery
Researchers developed a tool that combines 3D imaging with artificial intelligence to automatically grade knee osteoarthritis during arthroscopy with 95% accuracy—eliminating reliance on surgeon judgment. The advance could standardize arthritis assessment across hospitals and improve surgical decision-making, potentially reducing repeat procedures and streamlining treatment protocols for millions facing joint deterioration.
Originaltitel: Chromatic differential confocal matrix-based 3D topography and hyperspectral imaging with deep learning for osteoarthritis grading.
# Objektiv artrosdiagnostik ersätter subjektiv granskning på operationssal Artroskopiutrustning bygger idag på läkarens visuella bedömning vid knäartros. Ett forskarlag vid Zhejiang University har utvecklat ett bildanalyssystem som kombinerar 3D-topografi och hyperspektral optik med djup maskininlärning för automatisk gradering av broskkvalitet. Systemet — baserat på digital mikrospegelteknik — samlar 3D-mikroskopisk topografi och spektrala kartlagssignaturer med upplösningen 3,91 µm lateralt och 1,96 µm axialt. Ett förbättrat ResNet50-nätverk analyserar dessa multimodala data. På ex vivo-vävnad uppnådde systemet 94,83 procents klassificeringsnoggrannhet, vilket överträffade enklamodaljämförelser signifikant. För inköpschefer och ortopediska kliniker gäller: objektiv diagnostik kan reducera behandlingsvariation och möjliggöra tidigare intervention. Tekniken kräver integration i befintliga artroskopisimulatorer innan den når operationssalen — tidshorisonten är ej specificerad.
Accurate assessment of knee osteoarthritis (KOA) is limited by the current arthroscopy's reliance on subjective visual inspection. We propose a 3D spatio-spectral automatic grading framework combining deep learning with chromatic differential confocal matrix-based 3D topography and hyperspectral imaging (CDCM-THI). Our digital micromirror device-based system simultaneously captures high-resolution 3D micro-topography and hyperspectral cartilage signatures (lateral: 3.91 µm, axial: 1.96 µm, spectral: ∼15 nm). To analyze this multi-modal data, we developed an improved ResNet50 late fusion network optimized with a consistency-enhanced loss function. Evaluated on ex vivo clinical samples, our framework achieved an average cross-validation accuracy of 94.83%, significantly outperforming single-modal baselines. This non-destructive approach bridges the gap between topographical assessment and broadband optical analysis, providing a powerful quantitative tool for future deep learning-assisted arthroscopic integration.