Fenotipizzazione di precisione della curvatura spinale basata sul deep learning identifica nuovi loci di rischio genetico per la scoliosi nell’UK Biobank

Perché la forma della colonna è importante

La scoliosi, una curvatura laterale della colonna vertebrale, può portare a dolore, fratture e ridotta qualità della vita, eppure molte persone con curvature significative non ricevono mai una diagnosi. Questo studio mostra come la visione artificiale moderna e la genetica possano lavorare insieme per individuare prima i problemi della colonna e rivelare le varianti del DNA che influenzano silenziosamente il modo in cui le nostre colonne si piegano con l’età.

Alla ricerca di curvature nascoste

I medici solitamente giudicano la scoliosi usando l’angolo di Cobb, una misura ricavata da radiografie in posizione eretta che classifica le persone come affette o meno. I grandi biobanchi di popolazione, tuttavia, tendono a contenere codici di fatturazione anziché misure dettagliate, e quei codici catturano per lo più solo i casi più gravi. Gli autori si sono rivolti invece alle scansioni ossee del corpo intero di più di 57.000 adulti nell’UK Biobank. Queste scansioni, eseguite mentre i partecipanti erano sdraiati sulla schiena, contengono una silhouette chiara della colonna, offrendo l’opportunità di misurare la curvatura in modo continuo in tutti, non solo nei pazienti che per caso risultano etichettati con scoliosi nelle cartelle cliniche.

Insegnare ai computer a tracciare la colonna

Usando un piccolo set di immagini accuratamente etichettate a mano, il team ha addestrato un modello di deep learning a trovare e delineare la colonna di ciascuna persona nella scansione. Il modello, basato su un’architettura popolare per l’imaging medico, ha imparato a separare la colonna luminosa dal resto del corpo con una precisione a livello di pixel del 99 percento. Per ogni colonna segmentata, i ricercatori hanno posizionato 20 punti equidistanti lungo la sua lunghezza, hanno ruotato la colonna in modo che le estremità fossero allineate verticalmente e poi hanno sommato quanto ciascun punto si spostava a sinistra o a destra da un passo al successivo. Questo ha prodotto un numero semplice e continuo per ogni persona che cattura quanto la colonna devia lateralmente, in millimetri, dall’alto in basso.

Verificare che la nuova misura abbia senso

Per essere utile, questo punteggio di curvatura automatizzato doveva corrispondere a misure cliniche consolidate e a esiti reali. In un campione di 150 persone, il punteggio si è allineato strettamente con le letture dell’angolo di Cobb effettuate da ortopedici, con una forte correlazione positiva. Le persone il cui angolo di Cobb raggiungeva il tipico cutoff per la scoliosi avevano punteggi di curvatura molto più alti rispetto a chi era al di sotto, e chi aveva un codice di diagnosi di scoliosi nei propri registri mostrava in media una curvatura maggiore. La curvatura tendeva ad aumentare in modo costante con l’età, coerente con l’idea che l’usura e la perdita ossea possano flettere gradualmente la colonna. Usando soglie derivate dai casi diagnosticati e dagli angoli di Cobb, il team ha stimato che migliaia di partecipanti dell’UK Biobank probabilmente hanno curvature clinicamente rilevanti che non emergono mai nei loro codici medici.

Collegare la forma della colonna al DNA

Con questi punteggi di curvatura, i ricercatori hanno scandagliato i genomi dei partecipanti bianchi britannici alla ricerca di varianti comuni associate alla maggiore o minore curvatura della colonna. Hanno trovato tre regioni del genoma che hanno superato rigorosi test statistici. Una si trova vicino a PAX1, un gene già collegato alla scoliosi adolescenziale e allo sviluppo vertebrale, e ha mostrato un effetto più marcato nelle donne rispetto agli uomini, riecheggiando lavori precedenti sul rischio di scoliosi più elevato nel sesso femminile. Altre due regioni non erano state riportate in precedenza per la scoliosi: una vicino a geni coinvolti nello sviluppo degli arti e delle ossa, e un’altra che sovrappone una lunga lncRNA tra geni legati al controllo della qualità delle proteine e all’infiammazione correlata alla colonna. Complessivamente, lo studio basato sulle immagini ha rilevato segnali a livello genomico dove uno studio caso-controllo tradizionale basato soltanto sui codici di diagnosi nello stesso dataset non lo aveva fatto.

Le curve spinali e il resto del corpo

Il team ha anche esaminato come la curvatura si relazioni ad altri tratti nelle stesse persone. Una curvatura maggiore era associata a più mal di schiena, minore densità ossea della colonna, presa di mano più debole, maggiori differenze nella lunghezza delle gambe e a una probabilità più alta di osteoporosi, fratture vertebrali e spondilosi, anche dopo aver controllato per età, corporatura e fattori di stile di vita. Al contrario, l’osteoartrosi del ginocchio e dell’anca mostrava poco rapporto con la flessione spinale in questo gruppo. Questi schemi supportano l’idea che la curvatura laterale negli anziani sia intrecciata con cambiamenti più ampi legati all’età in muscoli, ossa e postura, piuttosto che essere un problema isolato.

Cosa significa per la cura futura

Convertendo immagini spinali di routine in misure precise e automatizzate, questo lavoro mostra come il deep learning possa mettere in luce le radici genetiche e fisiche di condizioni che la medicina spesso registra solo in modo generico. La nuova misura di curvatura scopre molte persone le cui colonne sono tanto curve quanto quelle dei pazienti diagnosticati ma che mancavano di un’etichetta formale, e mette in evidenza regioni genetiche che potrebbero essere particolarmente importanti per forme di scoliosi correlate all’età o degenerative. Pur essendo necessari ulteriori studi per confermare i ruoli di questi geni e per estendere l’approccio a popolazioni più diverse, lo studio indica un futuro in cui cambiamenti sottili nelle immagini mediche aiutano a segnalare precocemente gli individui a rischio e a orientare la ricerca su come e perché le nostre colonne cambiano forma nel corso della vita.

Citazione: Zeosky, M., Kun, E., Reddy, S. et al. Deep learning-based precision phenotyping of spine curvature identifies novel genetic risk loci for scoliosis in the UK Biobank. npj Digit. Med. 9, 381 (2026). https://doi.org/10.1038/s41746-026-02540-6

Parole chiave: scoliosi, curvatura della colonna, deep learning, rischio genetico, UK Biobank