Geautomatiseerde meting van hallux valgus-hoeken met een deep learning-model: validatie en vergelijking met chirurgen van verschillende expertise

Waarom bunionzorg klaar is voor slimme automatisering

Bunions—die pijnlijke uitstulpingen aan de basis van de grote teen—komen zeer vaak voor, en de keuze voor de beste behandeling hangt vaak af van zorgvuldige metingen van hoeken op voet‑röntgenfoto’s. Tegenwoordig worden deze metingen handmatig uitgevoerd, wat enkele minuten per afbeelding kost en van arts tot arts kan verschillen. Deze studie onderzoekt of een moderne vorm van kunstmatige intelligentie deze tijdrovende taak kan overnemen, met chirurg‑niveau nauwkeurigheid in een fractie van een seconde en daarmee de weg vrijmaakt voor consistenter en toegankelijker bunion‑zorg.

Het probleem in alledaagse bewoordingen

Hallux valgus, beter bekend als een bunion, ontstaat wanneer de grote teen naar buiten afwijkt en het eerste middenvoetsbeen naar binnen beweegt, waardoor een benige bult ontstaat en vaak pijn optreedt. Chirurgen vertrouwen op twee hoeken die worden gemeten op röntgenfoto’s in belasting—de hallux valgus‑hoek tussen de grote teen en het eerste middenvoetsbeen, en de intermetatarsale hoek tussen het eerste en tweede middenvoetsbeen—om te bepalen of een operatie nodig is en welke ingreep passend is. Het tekenen van deze hoeken met de hand is traag, en zelfs specialisten kunnen het met elkaar of met hun eerdere beoordelingen oneens zijn, vooral bij milde of grensgevallen. Een hulpmiddel dat deze hoeken snel en consistent kan meten, zou zowel in drukke klinieken als in grootschalig onderzoek waardevol zijn.

Hoe de computer leert een voet‑röntgen te lezen

Het onderzoeksteam bouwde een deep learning‑systeem dat ontworpen is om het gedrag van een expert na te bootsen die botlijnen op een röntgenfoto uittekent. Eerst omschrijft een gespecialiseerd beeldanalyse‑netwerk automatisch drie belangrijke botten: het teenbeen van de grote teen en het eerste en tweede middenvoetsbeen. Vanuit deze omtrekken berekent het systeem een rechte centrale lijn door elk bot, vergelijkbaar met hoe een chirurg zich een liniaal op de afbeelding zou voorstellen. Zodra deze lijnen zijn vastgesteld, wordt eenvoudige geometrie gebruikt om de twee hoeken te berekenen die belangrijk zijn voor de bunionbeoordeling. Het model werd getraind en afgestemd op meer dan 2.400 staande voet‑röntgenfoto’s, inclusief zowel patiënten met bunions als mensen met normaal ogende voeten, waardoor het het volledige scala aan vormen uit de dagelijkse praktijk te zien kreeg.

Het systeem laten concurreren met chirurgen

Om te testen hoe goed de geautomatiseerde metingen overeenkwamen met deskundig oordeel, vergeleken de auteurs het model met twee voet‑ en enkelchirurgen met respectievelijk drie en zeven jaar ervaring. Beide chirurgen markeerden nauwgezet botlijnen op honderden röntgenfoto’s, en een senior chirurg beoordeelde hun werk om een referentiestandaard te creëren. De studie beoordeelde niet alleen hoe nauw elke methode deze referentie benaderde, maar ook hoe vaak metingen zo ver afweken dat ze klinisch onaanvaardbaar werden geacht. De computer presteerde even goed als de chirurgen voor de hoek van de grote teen en produceerde zelfs minder grote fouten dan beide chirurgen voor de hoek tussen het eerste en tweede middenvoetsbeen, vooral bij normale of grensgevallen waar menselijke lezers vaker van mening verschilden.

Snelheid, consistentie en wat er gebeurt als het faalt

Buiten nauwkeurigheid was het meest opvallende voordeel van het geautomatiseerde systeem de snelheid: het mat elke röntgenfoto in ongeveer een achtste van een seconde op een gewone computer, vergeleken met bijna twee tot drie minuten zorgvuldig werk door een menselijke beoordelaar. Deze efficiëntie opent de deur naar onmiddellijke, gestandaardiseerde metingen direct binnen ziekenhuisbeeldsystemen of zelfs op draagbare apparaten. De auteurs onderzochten ook gevallen waarin het model faalde, zoals bij afbeeldingen van lage kwaliteit waarbij overlappende botten de software misleidden tot het volgen van de verkeerde lijn. Ze suggereren dat toekomstige versies op meer uitdagende röntgenfoto’s kunnen worden getraind en kunnen worden uitgerust met eenvoudige interne controles om twijfelachtige resultaten te markeren voor menselijke beoordeling in plaats van stilzwijgend een foutieve hoek te rapporteren.

Wat dit betekent voor mensen met bunions

In gewone bewoordingen toont deze studie aan dat een zorgvuldig getraind computerprogramma bunion‑gerelateerde hoeken op voet‑röntgenfoto’s ongeveer net zo nauwkeurig kan meten als ervaren chirurgen, en veel sneller, terwijl ernstige fouten relatief zeldzaam blijven. Omdat het model lichtgewicht is en openbaar is vrijgegeven, kunnen andere ziekenhuizen en onderzoekers het testen, verfijnen en mogelijk integreren in routinezorg. Als toekomstige multicenter‑studies deze resultaten bevestigen, kunnen patiënten profiteren van meer objectieve, reproduceerbare beoordelingen van hun bunions, wat leidt tot duidelijkere chirurgische beslissingen en consistenter vervolggedrag in de tijd.

Bronvermelding: Wang, Q., Wang, JH., Ji, DD. et al. Automated measurement of hallux valgus angles using a deep learning model: validation and comparison with surgeons of varying expertise. Sci Rep 16, 12280 (2026). https://doi.org/10.1038/s41598-026-42100-2

Trefwoorden: hallux valgus, halluxoperatie, voet-röntgenfoto, deep learning, medische beeldanalyse