Hierarchiczny potok głębokiego uczenia do solidnego pomiaru parametrów szyjnych na radiogramach z zasłonięciem C7

Dlaczego zdjęcia rentgenowskie szyi potrzebują wsparcia

Gdy lekarze planują operację szyi lub monitorują problemy z kręgosłupem w czasie, polegają na precyzyjnych pomiarach wykonywanych na bocznych zdjęciach rentgenowskich odcinka szyjnego. Te kąty i odległości, opisujące krzywiznę szyi i jej ustawienie względem reszty ciała, mają bezpośrednie znaczenie dla ulgi w bólu, funkcji nerwów i długoterminowych wyników leczenia. W praktyce jednak pomiary są czasochłonne, mogą się różnić między specjalistami i często są zaburzone, gdy część najniższego kręgu szyjnego (kręg C7) zasłaniają ramiona pacjenta. W tym badaniu przedstawiono nowy system sztucznej inteligencji zaprojektowany specjalnie do zmierzenia tego realnego problemu.

Trudny problem w codziennej diagnostyce szyi

Boczne zdjęcia rentgenowskie szyi są powszechnie stosowane w poradniach kręgosłupa na całym świecie. Z tych obrazów chirurdzy mierzą, jak bardzo szyja wygina się do tyłu (lordoza szyjna), jak nachylone są poszczególne kręgi oraz jak daleko głowa znajduje się przed osią kręgosłupa. Wartości te pomagają zdecydować, czy potrzebna jest operacja, jaki rodzaj zabiegu wykonać i jak dobrze pacjent się regeneruje. Ręczne wykonywanie tych pomiarów jest jednak czasochłonne i może być niejednolite, zwłaszcza gdy różni klinicy rysują nieco inne linie na tym samym obrazie. Problem pogłębia fakt, że na wielu zdjęciach kręg C7 — kluczowy punkt odniesienia u podstawy szyi — jest częściowo lub całkowicie zasłonięty przez ramiona pacjenta, co utrudnia dokładny pomiar nawet ekspertom.

Jak krok po kroku system AI odczytuje kręgosłup

Aby temu zaradzić, badacze zbudowali „hierarchiczny”, czyli wieloetapowy potok głębokiego uczenia, który naśladuje sposób, w jaki uważny człowiek mógłby podejść do trudnego obrazu. Najpierw model globalny skanuje cały rentgen, przeskalowany do standardowego kwadratu, i dokonuje przybliżonych oszacowań, gdzie znajdują się istotne punkty na kręgach od C2 do C7. Następnie, zamiast na tym poprzestać, osobny moduł oszacowuje, gdzie powinna się znajdować zasłonięta strefa C7 na podstawie łatwiej widocznych kości powyżej. Korzystając z tych wskazówek, system kadruje obrazy o wysokiej rozdzielczości wokół górnego (C2) i dolnego (C7) odcinka szyi. Dwa wyspecjalizowane modele ponownie analizują te mniejsze fragmenty, doprecyzowując pozycje kluczowych narożników i środków. Na końcu system łączy udoskonalone punkty górne i dolne z pierwotnymi punktami środkowymi, aby obliczyć klinicznie istotne kąty i przemieszczenia.

Testowanie systemu

Zespół trenował modele na ponad 5600 zdjęć rentgenowskich z międzynarodowych zbiorów, które celowo zawierały wiele trudnych przypadków ze słabą widocznością C7. Następnie system przetestowano na dwóch oddzielnych grupach: zbiorze wewnętrznym ze szpitala źródłowego oraz zewnętrznym z publicznej bazy danych specjalnie wzbogaconej o obrazy, na których C7 był częściowo lub całkowicie zasłonięty. W obu grupach pomiary krzywizny szyi i nachylenia kręgów przez AI zgadzały się bardzo dobrze z wartościami „prawdy” rysowanymi przez ekspertów. W trudnym zewnętrznym zestawie współczynniki zgodności były w zakresie „doskonałym” dla wszystkich głównych parametrów, ze zwykłymi błędami wynoszącymi zaledwie kilka stopni. Co ważne, hierarchiczny potok przewyższał prostszy model jednofazowy, szczególnie gdy C7 było zasłonięte. W niektórych najtrudniejszych przypadkach zmniejszył duże błędy rzędu około 10 stopni do poniżej jednej czwartej stopnia, skutecznie ratując pomiary, które inaczej byłyby zawodnie.

Większa spójność niż u ludzkich oceniających

Badacze porównali też powtarzalność AI z powtarzalnością specjalistów. Gdy ten sam ekspert mierzył te same obrazy dwukrotnie, wyniki niektórych kątów — zwłaszcza związanych z C7 — mogły się zauważalnie różnić między próbami. Dla odmiany, gdy AI przetwarzało ten sam rentgen wielokrotnie, jego wyniki były niemal identyczne. Co godne uwagi, zgodność między AI a każdym ze specjalistów dla trudnego kąta związanego z C7 była wyższa niż zgodność między dwoma ludzkimi czytelnikami. Sugeruje to, że system — zamiast zastępować klinicystów — może służyć jako stabilne, znormalizowane narzędzie pomiarowe zmniejszające zmienność ludzką, zwłaszcza w przypadkach granicznych lub zasłoniętych.

Co to oznacza dla pacjentów i klinik

Dla pacjentów praktyczny wniosek jest taki, że komputery mogą teraz pomóc chirurgom kręgosłupa szybciej i spójniej czytać zdjęcia rentgenowskie szyi, nawet gdy części obrazu są trudne do oceny. Badanie pokazuje, że starannie zaprojektowany, wieloetapowy system AI potrafi poradzić sobie z „brudnymi”, codziennymi warunkami obrazowania, zamiast polegać wyłącznie na idealnych zdjęciach. Choć potrzeba dalszych badań nad zastosowaniem do obrazów pooperacyjnych, różnych skanerów i widoków całego kręgosłupa, ten hierarchiczny potok wyznacza nowy punkt odniesienia dla zautomatyzowanej analizy odcinka szyjnego. Wskazuje na przyszłość, w której AI cicho działa w tle, sygnalizując problematyczne obrazy do przeglądu przez człowieka i dostarczając wiarygodnych pomiarów wspierających bezpieczniejszą, bardziej precyzyjną opiekę.

Cytowanie: Kang, DH., Park, SJ., Park, JS. et al. Hierarchical deep learning pipeline for robust cervical parameter measurement in radiographs with C7 obscuration. npj Digit. Med. 9, 261 (2026). https://doi.org/10.1038/s41746-026-02455-2

Słowa kluczowe: kręgosłup szyjny, AI w obrazowaniu medycznym, głębokie uczenie, wyrównanie kręgosłupa, analiza radiogramów