Detectie van calcaneale sporen op laterale voetfoto's met behulp van deep feature engineering

Waarom pijnlijke hielen en slimme computers ertoe doen

Hielpijn is een van de meest voorkomende redenen waarom mensen orthopedische klinieken bezoeken; elke stap kan ongemakkelijk zijn. Een veelvoorkomende oorzaak is een klein benig uitsteeksel aan de hiel, een calcaneaal spoor, dat meestal zichtbaar is op standaard zijaanzichten van een voetröntgenfoto. Het lezen van deze beelden kan verrassend lastig zijn, vooral in een vroeg stadium, en niet elk ziekenhuis heeft deskundige radiologen beschikbaar. Deze studie introduceert een gestroomlijnde computermethode die deze sporen betrouwbaar kan opsporen op gewone röntgenfoto’s, zelfs wanneer slechts een bescheiden aantal beelden beschikbaar is, wat artsen en patiënten mogelijk snellere en consistenter hulp kan bieden.

Wat hielsporen zijn en waarom ze moeilijk te zien zijn

Calcaneale sporen ontstaan op de plaats waar de sterke peesplaat onder de voet, de plantaire aponeurose, aan het hielbot vastzit. Leeftijd, overgewicht, lange periodes van staan en herhaalde kleine blessures verhogen allemaal de kans op het ontwikkelen ervan. Artsen beginnen hun onderzoek doorgaans met een eenvoudige laterale voetröntgenfoto omdat die snel, goedkoop en breed beschikbaar is. Het probleem is dat vroege sporen erg kunnen lijken op normale hielvormen, en beeldkwaliteit of lichte veranderingen in voetpositie kunnen ook schijnbare sporen veroorzaken. Verschillende radiologen kunnen dezelfde röntgenfoto anders interpreteren, en daar kunnen computerondersteunde systemen een tweede mening bieden.

Een nieuwe manier om computers te trainen met weinig voorbeelden

Moderne kunstmatige-intelligentiesystemen, bekend als deep learning, hebben de analyse van medische beelden getransformeerd, maar hebben gewoonlijk duizenden gelabelde beelden en krachtige grafische processors nodig om goed te functioneren. In de praktijk, vooral voor specifieke aandoeningen zoals hielsporen, zijn vaak slechts enkele honderden goed gecureerde beelden beschikbaar en kunnen rekenmiddelen beperkt zijn. De auteurs pakken deze uitdaging aan met wat zij deep feature engineering noemen: in plaats van één zeer groot model end-to-end te trainen, hergebruiken zij kennis uit 19 bestaande beeldherkenningsnetwerken en selecteren en combineren vervolgens zorgvuldig wat elk netwerk heeft geleerd. Deze strategie beoogt rijke visuele aanwijzingen vast te leggen terwijl het hele systeem licht genoeg blijft voor dagelijks gebruik.

Hoe het meerstapsysteem werkt

Het team verzamelde 775 gede-identificeerde laterale voetröntgenfoto’s van één ziekenhuis, waarvan 316 geen spoor toonden en 459 een calcaneaal spoor, zoals overeengekomen door twee ervaren clinici. Iedere afbeelding werd van formaat veranderd maar verder ongewijzigd gelaten zodat de hele voet, niet alleen een uitgeknipt gebied, werd geanalyseerd. Eerst werd elke afbeelding door 19 verschillende voorgetrainde neurale netwerken gehaald, elk oorspronkelijk getraind op een grote algemene afbeeldingsdatabase. Uit elk netwerk haalden de onderzoekers een numerieke vingerafdruk, of featureset, die samenvatte hoe dat netwerk de hielregio ‘ziet’. Vervolgens gebruikten ze een iteratieve selectiemethode om elke grote vingerafdruk terug te brengen tot een kleinere subset van de meest informatieve kenmerken, waarbij redundante of lawaaierige metingen werden weggefilterd die niet hielpen om spoor van geen spoor te onderscheiden.

Veel kleine stemmen combineren tot één sterke beslissing

Toen de compactere featuresets klaar waren, werden ze gevoed aan een speciale variant van een eenvoudige, menselijk-intuïtieve classifier genaamd k-nearest neighbors, die een nieuw geval beoordeelt door naar de meest vergelijkbare eerdere voorbeelden te kijken. De auteurs breidden dit idee uit tot een ensemble: ze probeerden veel afstandsinstellingen en aantallen buren en gebruikten vervolgens herhaalde meerderheidsstemming om de talrijke kandidaatbeslissingen te combineren. Een laatste gretige stap selecteerde welke combinatie het beste presteerde tijdens cross-validatietests. In totaal bereikte het raamwerk een nauwkeurigheid van 93,42 procent, met bijzonder hoge sensitiviteit voor gevallen die daadwerkelijk sporen hadden. Met andere woorden: het was waarschijnlijker een normale hiel te missen dan een spoor over het hoofd te zien, wat in een screeningscontext een veiliger evenwicht kan zijn.

Wat de resultaten betekenen buiten hielpijn

Om te waarborgen dat het systeem naar de juiste plaats keek, visualiseerden de onderzoekers welke regio’s de netwerken benadrukten en vonden sterke aandacht rond de onderzijde van de hiel, waar sporen verwacht worden te ontstaan. Ze toonden ook aan dat het zorgvuldig combineren van meerdere netwerken beter presteerde dan elk individueel netwerk, en dat vergelijkbare voordelen zichtbaar waren wanneer het raamwerk werd toegepast op een afzonderlijke, complexere dataset van celbeelden. Omdat de methode op een standaardcomputer zonder grafische kaart draait en bij inzet slechts een handvol netwerken gebruikt, zou zij realistisch aan ziekenhuiswerkstromen kunnen worden toegevoegd als achtergrondassistent. Voor patiënten vervangt dit geen deskundig oordeel, maar het kan wel leiden tot consistentere beoordeling van veelvoorkomende röntgenfoto’s, snellere geruststelling wanneer geen spoor aanwezig is en betere ondersteuning voor artsen die moeten beslissen hoe hardnekkige hielpijn het beste te behandelen.

Bronvermelding: 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

Trefwoorden: hielpijn, röntgenbeelden, medische AI, benige uitwas, computerondersteunde diagnose