Erkennung von Kalkaneus-Sporn auf lateralen Fußröntgenaufnahmen mittels Deep-Feature-Engineering

Warum schmerzende Fersen und intelligente Rechner wichtig sind

Fersenschmerzen gehören zu den häufigsten Gründen, weshalb Menschen orthopädische Kliniken aufsuchen, und machen jeden Schritt oft unangenehm. Häufig verantwortlich ist ein kleiner knöcherner Fortsatz an der Ferse, ein sogenannter Kalkaneus-Sporn, der meist auf handelsüblichen seitlichen Fußröntgenaufnahmen sichtbar ist. Das Lesen dieser Bilder kann überraschend schwierig sein, besonders in frühen Stadien, und nicht jedes Krankenhaus verfügt über erfahrene Radiologen vor Ort. Diese Studie stellt eine schlanke Computer-Methode vor, die solche Sporne auf normalen Röntgenbildern zuverlässig erkennen kann, selbst wenn nur eine begrenzte Anzahl von Bildern verfügbar ist, und damit Ärzten und Patienten potenziell schnellere und konsistentere Unterstützung bietet.

Was Fersenwülste sind und warum sie schwer zu sehen sind

Kalkaneus-Sporne entstehen dort, wo das kräftige Bandgewebe unter dem Fuß, die Plantarfaszie, am Fersenbein ansetzt. Alter, Übergewicht, lange Stehzeiten und wiederholte kleine Verletzungen erhöhen alle die Wahrscheinlichkeit ihrer Entwicklung. Ärztinnen und Ärzte beginnen ihre Untersuchung meist mit einer einfachen lateralen Fußröntgenaufnahme, weil sie schnell, günstig und weit verbreitet ist. Das Problem ist, dass frühe Sporne dem normalen Fersenprofil sehr ähnlich sehen können, und Bildqualität oder leichte Veränderungen in der Fußstellung spurähnliche Schatten erzeugen können. Verschiedene Radiologen können dieselbe Röntgenaufnahme unterschiedlich interpretieren — hier können computerunterstützte Systeme eine zweite Meinung bieten.

Eine neue Methode, Computern aus wenigen Beispielen beizubringen

Moderne künstliche Intelligenzsysteme, bekannt als Deep Learning, haben die Analyse medizinischer Bilder revolutioniert, benötigen aber typischerweise tausende gelabelte Bilder und leistungsstarke Grafikkarten, um gut zu funktionieren. In der Praxis, besonders bei spezifischen Befunden wie Fersenspornen, sind oft nur einige hundert sorgfältig kuratierte Bilder verfügbar und die Rechenressourcen sind begrenzt. Die Autorinnen und Autoren begegnen dieser Herausforderung mit einem Ansatz, den sie Deep-Feature-Engineering nennen: Anstatt ein sehr großes Modell end-to-end zu trainieren, nutzen sie Wissen aus 19 vorhandenen Bild­erkennungsnetzwerken und wählen dann gezielt aus, was jedes einzelne gelernt hat. Diese Strategie zielt darauf ab, reiche visuelle Hinweise zu erfassen und das Gesamtsystem zugleich kompakt genug für den Alltagsbetrieb zu halten.

Wie das mehrstufige System funktioniert

Das Team sammelte 775 de-identifizierte laterale Fußröntgenaufnahmen aus einem einzigen Krankenhaus, von denen 316 keinen Sporn und 459 einen Kalkaneus-Sporn zeigten, wie von zwei erfahrenen Klinikerinnen bzw. Klinikern vereinbart. Jedes Bild wurde in der Größe angepasst, ansonsten aber ganz gelassen, sodass der gesamte Fuß und nicht nur ein beschnittener Bereich analysiert wurde. Zunächst wurde jedes Bild durch 19 verschiedene vortrainierte neuronale Netzwerke geleitet, die jeweils ursprünglich auf einer großen, allgemeinspezifischen Bilddatenbank trainiert worden waren. Aus jedem Netzwerk extrahierten die Forschenden einen numerischen Fingerabdruck bzw. Feature-Satz, der zusammenfasst, wie dieses Netzwerk die Fersenregion „sieht“. Anschließend nutzten sie ein iteratives Selektionsverfahren, um jeden umfangreichen Fingerabdruck auf eine kleinere Auswahl der informativsten Merkmale zu kürzen und redundante oder verrauschte Messwerte zu verwerfen, die nicht halfen, Sporn von Nicht-Sporn zu unterscheiden.

Viele kleine Stimmen zu einer starken Entscheidung kombinieren

Sobald die schlankeren Feature-Sets bereitstanden, wurden sie einem speziellen Varianten eines einfachen, intuitiven Klassifikators namens k-nearest neighbors zugeführt, der einen neuen Fall anhand der ähnlichsten früheren Beispiele beurteilt. Die Autorinnen und Autoren erweiterten diese Idee zu einem Ensemble: Sie probierten viele Distanz-Einstellungen und Nachbarzahlen aus und verbanden die zahlreichen Kandidatenentscheidungen dann mittels wiederholter Mehrheitsabstimmung. Ein abschließender gieriger Schritt wählte die Kombination aus, die während der Kreuzvalidierungstests am besten abschnitt. Insgesamt erzielte das Framework eine Genauigkeit von 93,42 Prozent, mit besonders hoher Sensitivität für tatsächlich vorhandene Sporne. Mit anderen Worten: Es war eher wahrscheinlich, eine normale Ferse zu übersehen als einen Sporn zu übersehen, was in einem Screening-Kontext ein sichereres Verhältnis darstellen kann.

Was die Ergebnisse über Fersenschmerzen hinaus bedeuten

Um sicherzugehen, dass das System den richtigen Bereich betrachtete, visualisierten die Forschenden, auf welche Regionen sich die Netzwerke konzentrierten, und fanden starke Aufmerksamkeit um die Unterseite der Ferse, wo Sporne zu erwarten sind. Sie zeigten außerdem, dass die sorgfältige Kombination mehrerer Netzwerke jedes einzelne Netzwerk übertraf, und dass ähnliche Verbesserungen auch auftraten, als das Framework auf einen separaten, komplexeren Zellbild-Datensatz angewendet wurde. Da die Methode auf einem Standardrechner ohne Grafikkarte läuft und bei der Bereitstellung nur eine Handvoll Netzwerke benötigt, könnte sie realistisch als Hintergrundassistent in klinische Arbeitsabläufe integriert werden. Für Patientinnen und Patienten ersetzt das nicht die Experteneinschätzung, könnte aber konsistentere Auswertungen häufiger Röntgenaufnahmen bedeuten, schnellere Beruhigung liefern, wenn kein Sporn vorliegt, und bessere Unterstützung für Ärztinnen und Ärzte bieten, die darüber entscheiden müssen, wie hartnäckige Fersenschmerzen am besten behandelt werden sollten.

Zitation: Demir, S., Can, B., Goktas, O.F. et al. Calcaneal spur detection from lateral foot radiographs using deep feature engineering. Sci Rep 16, 14125 (2026). https://doi.org/10.1038/s41598-026-44671-6

Schlüsselwörter: Fersenschmerz, Röntgenbildgebung, medizinische KI, Knochenvorsprung, computerunterstützte Diagnose