Model uczenia głębokiego do rozpoznawania metabolicznej choroby kości wcześniaków na podstawie zdjęć rentgenowskich nadgarstka

Pomoc dla delikatnych kości noworodków

Bardzo przedwcześnie urodzone niemowlęta narażone są na wiele ukrytych zagrożeń zdrowotnych, a jednym z poważniejszych jest słaba, słabo zmineralizowana struktura kości, która może ulegać złamaniom bez wyraźnego ostrzeżenia. Lekarze często polegają na zdjęciach rentgenowskich nadgarstka, aby wykryć wczesne uszkodzenia, ale charakterystyczne oznaki mogą być słabe i łatwe do przeoczenia, zwłaszcza w przeładowanych oddziałach lub tam, gdzie brakuje specjalistów. W tym badaniu przedstawiono program komputerowy oparty na uczeniu głębokim, który analizuje zdjęcia rentgenowskie nadgarstków wcześniaków i pomaga lekarzom wykrywać problemy kostne wcześniej i dokładniej, co potencjalnie zapobiega bolesnym złamaniom i długoterminowym powikłaniom.

Dlaczego maleńkie kości wymagają dodatkowej troski

Metaboliczna choroba kości wcześniaków to schorzenie, w którym kości bardzo malutkich, bardzo wczesnych niemowląt nie ulegają prawidłowej mineralizacji. Ponieważ te dzieci opuszczają ciążę przed ostatnimi tygodniami, w których następuje intensywne odkładanie wapnia i fosforu w kościach, są szczególnie narażone. Ryzyko jest największe u niemowląt urodzonych przed 28. tygodniem lub ważących mniej niż 1500 gramów, a szczyt zachorowań przypada między czwartym a ósmym tygodniem życia. Badania krwi mogą sugerować problem, lecz lekarze zwykle potwierdzają podejrzenia za pomocą zdjęć rentgenowskich nadgarstka, które ukazują subtelne zmiany w rosnącym końcu kości promieniowej. Niestety te zmiany mogą pojawić się dopiero wtedy, gdy utrata masy kostnej jest już zaawansowana, a nawet wtedy mogą być trudne do rozpoznania dla osób bez specjalistycznego doświadczenia.

Nauczanie komputera czytania rentgenów nadgarstka

Aby sprostać temu problemowi, badacze z Korei Południowej zgromadzili obszerny zbiór zdjęć rentgenowskich nadgarstków pochodzących z ponad tysiąca niemowląt o bardzo małej masie urodzeniowej leczonych w dwóch dużych szpitalach. Doświadczeni specjaliści starannie przejrzeli 2239 obrazów pochodzących od 814 niemowląt w jednym ze szpitali, oznaczając każde zdjęcie jako przedstawiające kość prawidłową lub wykazującą cechy metabolicznej choroby kości. Zaznaczyli kwadratem kluczowy obszar w końcu kości promieniowej, aby komputer skupił się na tym samym regionie, z którego korzystają eksperci. Zespół wytrenował następnie kilka nowoczesnych modeli uczenia głębokiego na tych wykadrowanych obrazach, stosując standardowe techniki nieznacznej rotacji, rozjaśniania lub rozmycia zdjęć, tak aby algorytmy były odporne na chaotyczną rzeczywistość obrazowania na oddziałach neonatologicznych.

Jak dobrze działa cyfrowy czytnik

Wśród siedmiu przetestowanych modeli najlepiej wypadła sieć znana jako DenseNet‑121. Na niewidzianych wcześniej zdjęciach z pierwotnego szpitala prawidłowo odróżniała obrazy normalne od nieprawidłowych w około 92 procentach przypadków i szczególnie dobrze sprawdzała się w wykluczaniu choroby, rzadko przeoczając dotknięte nią niemowlęta. Gdy model testowano na zdjęciach z drugiego szpitala — z innym sprzętem i innymi pacjentami — nadal wykazywał wysoką skuteczność, z dużą dokładnością ogólną i znakomitą zdolnością do odróżniania podejrzanych obrazów od normalnych. Dalsza analiza wykazała, że kiedy model podejmował prawidłowe decyzje, koncentrował się na tym samym obszarze nadgarstka co eksperci, co sugeruje, że nauczył się medycznie istotnych wzorców, a nie przypadkowych cech danych.

Dostarczanie lekarzom mądrzejszej drugiej opinii

Następnie badacze poprosili ośmiu pediatrów i trzech radiologów, aby ocenili zdjęcia rentgenowskie nadgarstków dwukrotnie: najpierw samodzielnie, a potem ponownie z widoczną predykcją modelu. Z tym cyfrowym asystentem klinicyści stali się zarówno bardziej dokładni, jak i bardziej zgodni w ocenach. Na obrazach z pierwotnego szpitala średnia dokładność wzrosła z około dwóch trzecich do ponad czterech piątych, a zarówno liczba fałszywych alarmów, jak i pominiętych przypadków spadła. Podobne korzyści zauważono przy interpretacji obrazów z drugiego szpitala. Najbardziej widoczne efekty pojawiły się u pediatrów, których doświadczenie w obrazowaniu szkieletowym bywa ograniczone. Dla nich wsparcie AI zamieniało zadanie trudne i podatne na błędy w ocenę bardziej zbliżoną do poziomu radiologów, przy jednoczesnym nieznacznym skróceniu czasu odczytu.

Co to może znaczyć dla wcześniaków

Mówiąc prosto, badanie pokazuje, że dobrze wytrenowany program komputerowy może służyć jako wiarygodna druga para oczu dla lekarzy opiekujących się delikatnymi wcześniakami. Choć model nie zastępuje osądu klinicznego ani badań krwi, ułatwia wskazywanie zdjęć rentgenowskich wymagających uważniejszej oceny, zwłaszcza w szpitalach bez stałego dostępu do radiologów dziecięcych. Wcześniejsze i pewniejsze wykrycie osłabienia kości może skłonić do terminowych zmian w żywieniu, monitoringu i postępowaniu z dzieckiem, zmniejszając ryzyko bolesnych złamań i długotrwałych problemów wzrostowych. Przy dalszym udoskonalaniu, większych zbiorach danych i integracji markerów z badań krwi takie narzędzia AI mogłyby stać się standardowymi towarzyszami na oddziałach neonatologicznych na całym świecie, działając dyskretnie w tle w celu ochrony najmniejszych pacjentów.

Cytowanie: Park, S.G., Jeong, S., Cho, M. et al. Deep learning model for identification of metabolic bone disease of prematurity using wrist radiographs. Sci Rep 16, 7885 (2026). https://doi.org/10.1038/s41598-026-37116-7

Słowa kluczowe: noworodki przedwcześnie urodzone, zdrowie kości, Sztuczna inteligencja w obrazowaniu medycznym, rentgen nadgarstka, oddział intensywnej terapii noworodków