Analisi quantitativa della frazione di grasso dei muscoli della cuffia dei rotatori in MRI cliniche T1 pesate sagittali e coronali tramite algoritmi di deep learning

Perché il grasso nei muscoli della spalla conta

Quando un tendine della cuffia dei rotatori della spalla si lacera, i chirurghi spesso possono ripararlo — ma lo stato del muscolo influenza fortemente la probabilità che la riparazione duri. Un segnale d’allarme importante è la quantità di grasso infiltrato nel muscolo lesionato. Finora i medici hanno dovuto giudicare questo aspetto da una singola fetta dell’esame della spalla, a occhio, usando una scala grossolana in cinque gradazioni. Questo studio esplora come l’analisi d’immagine moderna, alimentata dal deep learning, possa trasformare le normali scansioni della spalla in mappe 3D precise del grasso muscolare, aiutando i medici a prevedere meglio chi beneficerà dell’intervento e a pianificarlo.

Il problema delle informazioni sfocate

Oggi la maggior parte dei chirurghi si affida alla risonanza magnetica (MRI) standard della spalla per valutare i muscoli della cuffia dei rotatori. In queste immagini il grasso appare brillante e il muscolo più scuro, e un sistema di classificazione ampiamente usato valuta ogni muscolo da “nessun grasso” a “più grasso che muscolo”. Ma questo giudizio viene formulato su una singola fetta inclinata della spalla — la cosiddetta Y-view — e diversi esperti spesso non sono d’accordo sul grado esatto. Nei pazienti i cui tendini si sono ritrattili, quella singola fetta potrebbe non corrispondere più alla stessa porzione del muscolo da persona a persona, rendendo i confronti ancora più difficili. Ricerche precedenti hanno inoltre dimostrato che ciò che si vede in una fetta non rappresenta in modo affidabile l’intero muscolo tridimensionale.

Un modo migliore per vedere il grasso nei muscoli

I radiologi dispongono già di una tecnica MRI più precisa, nota come imaging Dixon, che può misurare la percentuale esatta di grasso in ogni elemento di volume — o voxel — lungo tutto il muscolo. Queste scansioni mostrano che il grasso è distribuito in modo non omogeneo e può variare lungo la lunghezza del muscolo. Tuttavia, le acquisizioni Dixon non fanno parte dell’imaging di routine della spalla nella maggior parte degli ospedali. Gli autori di questo studio si sono chiesti se un computer potesse imparare a inferire le stesse informazioni dettagliate direttamente dalle MRI standard che i pazienti ricevono già. Hanno raccolto i dati di 99 adulti con lacerazioni della cuffia dei rotatori che avevano sia MRI T1 pesate di routine sia scansioni Dixon specializzate della stessa spalla, coprendo tutti e quattro i principali muscoli della cuffia dei rotatori.

Insegnare a un algoritmo a leggere tra i pixel

Il gruppo ha prima utilizzato uno strumento di deep learning precedentemente convalidato per delineare automaticamente le ossa della spalla e ciascun muscolo della cuffia dei rotatori sulle MRI standard. Hanno poi allineato le scansioni di routine con le immagini Dixon in modo che ogni voxel nella MRI standard potesse essere abbinato alla sua vera percentuale di grasso derivata dalla scansione Dixon. Invece di etichettare semplicemente ogni voxel come “grasso” o “muscolo”, hanno suddiviso il contenuto di grasso in cinque intervalli, da quasi assente a molto elevato. Una rete neurale 3D è stata addestrata a prevedere, per ogni voxel all’interno dei muscoli, a quale di questi cinque intervalli appartenesse, basandosi solo sull’aspetto nella MRI standard. L’addestramento ha utilizzato 75 spalle; le prestazioni sono state testate sulle 24 rimanenti, sia nelle direzioni sagittale (laterale) sia coronale (frontale).

Numeri più precisi, muscolo per muscolo

Una volta che la rete ha appreso questo compito, i ricercatori hanno potuto convertire le sue previsioni voxel per voxel in una percentuale media di grasso per ciascun muscolo. Rispetto ai valori veri derivati dalle immagini Dixon, gli errori sono risultati contenuti — tipicamente nell’ordine di circa 1–2 punti percentuali, e nel peggiore dei casi intorno a 2–4 punti percentuali a seconda del muscolo e della direzione di scansione. Crucialmente, questo approccio a più livelli ha sovraperformato chiaramente un metodo tradizionale “binario” che classifica ogni voxel come tutto grasso o tutto muscolo basandosi su una semplice soglia. Questo metodo più datato sottostimava il contenuto di grasso complessivo di circa 6 punti percentuali, ossia circa la metà del grasso reale in alcuni muscoli. Il nuovo metodo ha anche catturato come il grasso è distribuito lungo ogni muscolo, rivelando che, pur essendo il livello medio stabile, i singoli pazienti possono presentare forti variazioni locali che una singola fetta non rileverebbe.

Cosa potrebbe significare per i pazienti

Per le persone che affrontano un intervento sulla cuffia dei rotatori, la differenza tra un punteggio visivo approssimativo e una misurazione 3D precisa può tradursi in una prognosi più chiara e in trattamenti più mirati. Questo lavoro dimostra che un algoritmo di deep learning può trasformare le MRI standard della spalla già raccolte nelle cliniche in mappe del grasso quasi quantitative, senza tempi di scansione aggiuntivi o attrezzature speciali. Sebbene il metodo debba ancora essere testato su scanner e ospedali più diversi, offre una strada verso una valutazione automatizzata e coerente della qualità muscolare. In futuro, mappe così dettagliate della posizione del grasso all’interno di un muscolo potrebbero aiutare i chirurghi a decidere quando una riparazione ha probabilità di successo, a perfezionare le tecniche chirurgiche e, in ultima analisi, a migliorare gli esiti per i pazienti con lacerazioni dolorose della spalla.

Citazione: Hess, H., Oswald, A., Daneshvar, K. et al. Quantitative fat-fraction analysis of the rotator cuff muscles on clinical sagittal and coronal T1-weighted MRI using deep learning algorithms. Sci Rep 16, 8821 (2026). https://doi.org/10.1038/s41598-026-38108-3

Parole chiave: cuffia dei rotatori, grasso muscolare, risonanza magnetica, deep learning, chirurgia della spalla