Identifying the Severity of Adolescent Idiopathic Scoliosis During Gait by Using Machine Learning

La scoliose idiopathique de l'adolescent (SIA) est une déformation de la colonne vertébrale dans les trois plans de l'espace objectivée par un angle de Cobb ≥ 10°. Celle-ci affecte les adolescents âgés entre 10 et 16 ans. L'étiologie de la scoliose demeure à ce jour inconnue malgré des recherches approfondies. Différentes hypothèses telles que l'implication de facteurs génétiques, hormonaux, biomécaniques, neuromusculaires ou encore des anomalies de croissance ont été avancées. Chez ces adolescents, l'ampleur de la déformation de la colonne vertébrale est objectivée par mesure manuelle de l'angle de Cobb sur radiographies antéropostérieures. Cependant, l'imprécision inter / intra observateur de cette mesure, ainsi que de l'exposition fréquente (biannuelle) aux rayons X que celle-ci nécessite pour un suivi adéquat, sont un domaine qui préoccupe la communauté scientifique et clinique. Les solutions proposées à cet effet concernent pour beaucoup l'utilisation de méthodes assistées par ordinateur, telles que des méthodes d'apprentissage machine utilisant des images radiographiques ou des images du dos du corps humain. Ces images sont utilisées pour classer la sévérité de la déformation vertébrale ou pour identifier l'angle de Cobb. Cependant, aucune de ces méthodes ne s'est avérée suffisamment précise pour se substituer l'utilisation des radiographies. Parallèlement, les recherches ont démontré que la scoliose modifie le schéma de marche des personnes qui en souffrent et par conséquent également les efforts intervertébraux. C'est pourquoi, l'objectif de cette thèse est de développer un modèle non invasif d'identification de la sévérité de la scoliose grâce aux mesures des efforts intervertébraux mesurés durant la marche. Pour atteindre cet objectif, nous avons d'abord comparé les efforts intervertébraux calculés par un modèle dynamique multicorps, en utilisant la dynamique inverse, chez 15 adolescents atteints de SIA avec différents types de courbes et de sévérités et chez 12 adolescents asymptomatiques (à titre comparatif). Par cette comparaison, nous avons pu objectiver que les efforts intervertébraux les plus discriminants pour prédire la déformation vertébrale étaient la force et le couple antéro-postérieur et la force médio-latérale. Par la suite, nous nous sommes concentrés sur la classification de la sévérité de la déformation vertébrale de 30 AIS ayant une courbure thoraco-lombaire / lombaire. Pour ce faire, nous avons testé différents modèles de classification. L'angle de Cobb a été identifié en exécutant différents modèles de régression. Les caractéristiques (features) servant à alimenter les algorithmes d'entraînement ont été choisies en fonction des efforts intervertébraux les plus pertinents à la déformation vertébrale au niveau de la charnière lombo-sacrée (vertèbres allantes de L5-S1). Les précisions les plus élevées pour la classification exécutant différents algorithmes ont été obtenues par un algorithme de classification d'ensemble comprenant les “K-nearest neighbors”, “Support vector machine”, “Random forest”, “multilayer perceptron”, et un modèle de “neural networks” avec une précision de 91.4% et 93.6%, respectivement. De même, le modèle de régression par “Decision tree” parmi les autres modèles a obtenu le meilleur résultat avec une erreur absolue moyenne égale à 4.6° de moyenne de validation croisée de 10 fois. En conclusion, nous pouvons dire que cette étude démontre une relation entre la déformation de la colonne vertébrale et les efforts intervertébraux mesurés lors de la marche. L'angle de Cobb a été identifié à l'aide d'une méthode sans rayonnement avec une précision prometteuse égale à 4.6°. Il s'agit d'une amélioration majeure par rapport aux méthodes précédemment proposées ainsi que par rapport à la mesure classique réalisée par des spécialistes présentant une erreur entre 5° et 10° (ceci en raison de la variation intra/inter observateur). L'algorithme que nous vous présentons peut être utilisé comme un outil d'évaluation pour suivre la progression de la scoliose. Il peut être considéré comme une alternative à la radiographie. Des travaux futurs devraient tester l'algorithme et l'adapter pour d'autres formes de SIA, telles que les scolioses lombaire ou thoracolombaire.

Abstract

Adolescent idiopathic scoliosis (AIS) is a 3D deformation of the spine and rib cage greater than 10° that affects adolescents between the ages of 10 and 16 years old. The true etiology is unknown despite extensive research and investigation. However, different theories such as genetic and hormonal factors, growth abnormalities or biomechanical and neuromuscular reasons have been proposed as possible causes. The magnitude of spinal deformity in AIS is measured by the Cobb angle in degrees as the gold standard through the X-rays by specialists. The inter/intra observer error and the cumulative exposure to radiation, however, are sources of increasing concern among researchers with regards to the accuracy of manual measurement. Proposed solutions have therefore, focused on using computer-assisted methods such as Machine Learning using X-ray images, and/or trunk images to classify the severity of spinal deformity or to identify the Cobb angle. However, none of the proposed methods have shown the level of accuracy required for use as an alternative to X-rays. Meanwhile, scoliosis has been recognized as a pathology that modifies the gait pattern, subsequently impinging upon intervertebral efforts. The present thesis aims to develop a radiation-free model to identify the severity of idiopathic scoliosis in adolescents based on the intervertebral efforts during gait. To accomplish this objective, we compared the intervertebral efforts computed using a multibody dynamics model, by way of inverse dynamics, among 15 adolescents with AIS having different curve types and severities, as well as 12 typically developed adolescents. This resulted in the identification of the most relevant intervertebral efforts influenced by spinal deformity: mediolateral (ML) force; anteroposterior (AP) force; and torque. Additionally, we focused on the classification of the severity of spinal deformity among 30 AIS with thoracolumbar/lumbar curvature, testing different classification models. Lastly, the Cobb angle was identified running regression models. The features to feed training algorithms were chosen based on the most relevant intervertebral efforts to the spinal deformity on the lumbosacral (L5-S1) joint. The highest accuracies for the classification were obtained by the ensemble classifier algorithm, including “K-nearest neighbors”, “support vector machine”, “random forest”, and “multilayer perceptron”, as well as a neural network model with an accuracy of 91.4% and 93.6%, respectively. Likewise, the “decision tree regression” model achieved the best result with a mean absolute error equal to 4.6 degrees of an averaged 10-fold cross-validation. This study shows a relation between spinal deformity and the produced intervertebral efforts during gait. The Cobb angle was identified using a radiation-free method with a promising accuracy, providing a mean absolute error of 4.6°. Compared to measurement variations, ranging between 5° and 10° in the manual Cobb angle measurements by specialists, the proposed model provided reliable accuracy. This algorithm can be used as an assessment tool, alternative to the X-ray radiography, to follow up the progression of scoliosis. As future work, the algorithm should be tested and modified on AIS with other types of spine curvature than lumbar/thoracolumbar.