Wykrywanie ostrogi piętowej na bocznych zdjęciach rentgenowskich stopy za pomocą głębokiego inżynierii cech

Dlaczego bolące pięty i inteligentne komputery mają znaczenie

Ból pięty jest jednym z najczęstszych powodów wizyt w poradniach ortopedycznych i często sprawia, że każdy krok staje się nieprzyjemny. Częstą przyczyną jest drobne kostne wyrośle na pięcie zwane ostrogą piętową, zwykle widoczne na standardowych bocznych zdjęciach rentgenowskich stopy. Odczyt takich obrazów może być zaskakująco trudny, zwłaszcza we wczesnym stadium choroby, a nie każdy szpital dysponuje ekspertami radiologami. W tym badaniu przedstawiono uproszczoną metodę komputerową, która potrafi niezawodnie wykrywać te ostrogi na zwykłych zdjęciach rentgenowskich, nawet gdy dostępna jest tylko nieduża liczba obrazów, co może przyspieszyć i ujednolicić wsparcie dla lekarzy i pacjentów.

Czym są ostrogi piętowe i dlaczego trudno je dostrzec

Ostrogi piętowe tworzą się w miejscach, gdzie mocne pasmo tkanki pod stopą, powięź podeszwowa, przyczepia się do kości piętowej. Wiek, nadmierna masa ciała, długie okresy stania oraz powtarzające się drobne urazy zwiększają ryzyko ich powstawania. Lekarze zwykle zaczynają ocenę od prostego bocznego zdjęcia rentgenowskiego stopy, ponieważ jest szybkie, tanie i powszechnie dostępne. Problem w tym, że wczesne ostrogi mogą wyglądać bardzo podobnie do normalnych kształtów pięty, a jakość obrazu lub niewielkie zmiany ustawienia stopy mogą tworzyć cienie przypominające ostrogę. Różni radiolodzy mogą interpretować ten sam RTG inaczej, więc systemy wspomagające komputerowo mogą pełnić rolę drugiej opinii.

Nowy sposób uczenia komputerów na niewielu przykładach

Nowoczesne systemy sztucznej inteligencji znane jako głębokie uczenie zrewolucjonizowały analizę obrazów medycznych, ale zwykle potrzebują tysięcy oznaczonych obrazów i wydajnych procesorów graficznych, by działać dobrze. W rzeczywistych placówkach, zwłaszcza w przypadku specyficznych schorzeń takich jak ostroga piętowa, dostępnych może być tylko kilkaset starannie przygotowanych zdjęć, a zasoby obliczeniowe bywają ograniczone. Autorzy rozwiązali to wyzwanie za pomocą podejścia nazwanego głębokim inżynierowaniem cech: zamiast trenować jeden bardzo duży model od początku do końca, ponownie wykorzystują wiedzę z 19 istniejących sieci rozpoznających obrazy, a następnie starannie wybierają i łączą to, czego każda z nich się nauczyła. Strategia ta ma na celu uchwycenie bogatych wskazówek wizualnych przy jednoczesnym utrzymaniu systemu na tyle lekkiego, by nadawał się do codziennego użytku.

Jak działa wieloetapowy system

Zespół zebrał 775 zanonimizowanych bocznych zdjęć rentgenowskich stopy z jednego szpitala, z których 316 nie wykazywało ostrogi, a 459 przedstawiało ostrogę piętową, zgodnie z oceną dwóch doświadczonych klinicystów. Każdy obraz został zmieniony rozmiarem, ale w innym zakresie pozostawiony nienaruszony, tak by analizowana była cała stopa, a nie tylko wykadrowany fragment. Najpierw każdy obraz przepuszczono przez 19 różnych wstępnie wytrenowanych sieci neuronowych, z których każda była pierwotnie trenowana na dużej, ogólnego zastosowania bazie obrazów. Z każdej sieci badacze wydobyli numeryczny odcisk palca, czyli zestaw cech podsumowujących, jak dana sieć „widzi” obszar pięty. Następnie zastosowano iteracyjną metodę selekcji, aby zredukować każdy obszerny odcisk do mniejszego podzbioru najbardziej informatywnych cech, odrzucając redundantne lub zaszumione pomiary, które nie pomagały odróżnić ostrogi od jej braku.

Łączenie wielu drobnych głosów w jedną silną decyzję

Kiedy już powstały odchudzone zbiory cech, podano je do specjalnej odmiany prostego, intuicyjnego dla człowieka klasyfikatora zwanego k-najbliższych sąsiadów, który ocenia nowy przypadek, patrząc na najbardziej podobne wcześniejsze przykłady. Autorzy rozwinęli ten pomysł w zespół modeli: testowali wiele ustawień miar odległości i liczby sąsiadów, a następnie użyli powtarzanego głosowania większościowego, aby połączyć liczne kandydackie decyzje. Ostateczny zachłanny krok wybierał kombinację, która najlepiej wypadła w testach walidacji krzyżowej. W sumie ramy osiągnęły dokładność 93,42 procent, ze szczególnie wysoką czułością dla przypadków rzeczywiście mających ostrogi. Innymi słowy, system częściej mógł przegapić normalną piętę niż pominąć ostrogę, co w kontekście przesiewowym może być bezpieczniejszym kompromisem.

Co znaczą wyniki poza problemem bólu pięty

Aby upewnić się, że system patrzy we właściwe miejsce, badacze zobrazowali regiony, na których koncentrowały się sieci, i stwierdzili silną uwagę wokół spodniej części pięty, gdzie oczekuje się powstawania ostrog. Pokazali też, że staranne łączenie kilku sieci przewyższało pojedynczą sieć stosowaną samodzielnie, a podobne korzyści zaobserwowano, gdy ramy zastosowano do oddzielnego, bardziej złożonego zestawu obrazów komórkowych. Ponieważ metoda działa na standardnym komputerze bez karty graficznej i wykorzystuje tylko kilka sieci podczas wdrożenia, może realistycznie zostać dodana do szpitalnych procedur jako pomoc działająca w tle. Dla pacjentów nie zastępuje to oceny eksperta, ale może oznaczać bardziej spójne odczyty powszechnych zdjęć rentgenowskich, szybsze uspokojenie, gdy ostroga nie występuje, oraz lepsze wsparcie dla lekarzy decydujących, jak postępować z uporczywym bólem pięty.

Cytowanie: 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

Słowa kluczowe: ból pięty, obrazowanie rentgenowskie, medyczna sztuczna inteligencja, osteofit, wspomagane komputerowo rozpoznawanie