[论文解读] Is Machine Learning Able to Detect and Classify Failure in Piezoresistive Bone Cement Based on Electrical Signals?

Hamid Ghaednia, Crystal E. Owens+5 more|arXiv (Cornell University)|Oct 23, 2020

Electrical and Bioimpedance Tomography参考文献 27被引用 6

一句话总结

本研究证明，通过使用电学阻抗断层扫描（EIT）信号，机器学习可准确检测并分类压阻性聚甲基丙烯酸甲酯（PMMA）骨水泥中的早期机械故障。通过将自感知水泥与EIT及机器学习（特别是神经网络和主成分分析PCA）相结合，成功实现了98%的故障类型分类准确率，为早期植入物故障诊断提供了一种有前景的实时、非侵入性方法。

ABSTRACT

At an estimated cost of $8 billion annually in the United States, revision surgeries to total joint replacements represent a substantial financial burden to the health care system. Fixation failures, such as implant loosening, wear, and mechanical instability of the poly(methyl methacrylate) (PMMA) cement, which bonds the implant to the bone, are the main causes of long-term implant failure. Early and accurate diagnosis of cement failure is critical for developing novel therapeutic strategies and reducing the high risk of a misjudged revision. Unfortunately, prevailing imaging modalities, notably plain radiographs, struggle to detect the precursors of implant failure and are often interpreted incorrectly. Our prior work has shown that the modification of PMMA bone cement with low concentrations of conductive fillers makes it piezoresistive and therefore self-sensing such that when combined with a conductivity imaging modality, such as electrical impedance tomography (EIT), it is possible to monitor load transfer across the PMMA using cost-effective, physiologically benign, and real-time electrical measurements. Herein, we expand upon these results by integrating machine learning techniques with EIT. We survey different machine learning algorithms and principal component analysis for application to this problem, including neural networks on voltage readings of an EIT phantom for tracking position of a sample, specifying defect location, and classifying defect types. Our results show advantage of neural network with more than 91.9 %, 95.5 %, and 98 % accuracy in interpreting EIT signals for location tracking, specifying defect location, and defect classification respectively. These preliminary results show that the combination of smart materials, EIT, and machine learning may be a powerful tool for diagnosing the origin and evolution of failure in joint replacement.

研究动机与目标

• 为解决临床中对骨水泥固定型人工关节置换术早期固定失败检测的挑战，目前依赖敏感性有限的晚期影像学检查。
• 开发一种基于压阻性骨水泥的实时、非侵入性诊断方法，该水泥在机械应力下可产生电信号。
• 评估机器学习与主成分分析（PCA）在解读复杂EIT信号以检测微裂纹和分类故障模式方面的有效性。
• 证明将电学阻抗断层扫描（EIT）、智能材料（压阻性PMMA）与机器学习相结合，用于早期植入物故障诊断的可行性。

提出的方法

• 通过添加低浓度导电填料改性PMMA骨水泥，赋予其压阻特性，使其在机械载荷下可产生电信号。
• 使用电学阻抗断层扫描（EIT）非侵入性测量模拟关节置换条件的仿体中空间电导率的变化。
• 对原始EIT电压数据及PCA处理后的数据，应用多种机器学习算法，包括前馈神经网络、K近邻（KNN）、支持向量机（SVM）及集成方法。
• 执行主成分分析（PCA）以降低数据维度并提取EIT数据中的主要模式，提升可解释性与模型性能。
• 使用五折交叉验证，在75%的实验数据上进行模型训练，剩余25%用于测试以评估泛化能力。
• 在三个任务上评估模型性能：（1）追踪水箱中试样位置，（2）分类裂纹方向，（3）诊断四种健康状态：正常、垂直裂纹、水平裂纹及完全松动。

实验结果

研究问题

• RQ1 机器学习能否在EIT数据中准确定位电导率变化，例如在仿体中定位人工关节替代物的位置？
• RQ2 机器学习能否检测出传统EIT重建无法分辨的、指示裂纹方向的微弱EIT信号变化？
• RQ3 在训练数据有限的情况下，机器学习能否有效利用EIT信号对压阻性骨水泥中的不同故障类型进行分类？
• RQ4 PCA在提升机器学习模型对EIT数据中缺陷类型分类性能方面的增强程度如何？

主要发现

• 两层前馈神经网络在使用PCA处理后的EIT数据时，对四种健康状态（正常、垂直裂纹、水平裂纹及完全松动）的分类测试准确率达到98%。
• K近邻（KNN）算法在使用EIT数据前四个主成分时，对缺陷类型的分类测试准确率达到98%。
• 神经网络在缺陷分类任务中实现了100%的训练与验证准确率，测试准确率为96.2%，表现出优异的模型泛化能力。
• 主成分分析（PCA）在缺陷分类中最为有效，仅用四个主成分即可解释88%的数据变异度，并实现健康状态的清晰聚类。
• 神经网络在位置追踪与裂纹方向分类任务中表现优于其他算法，准确率分别超过91.9%与95.5%。
• 压阻性PMMA、EIT与机器学习的结合，可实现微裂纹萌生阶段的检测，早于肉眼可见的故障，为早期植入物故障诊断提供了潜在解决方案。