Medição automatizada dos ângulos do hallux valgus usando um modelo de deep learning: validação e comparação com cirurgiões de diferentes níveis de experiência

Por que o cuidado de joanetes está pronto para automação inteligente

Joanetes — aquelas saliências dolorosas na base do dedão — são extremamente comuns, e a decisão sobre o melhor tratamento frequentemente depende de medições cuidadosas de ângulos em radiografias do pé. Hoje, essas medições são feitas manualmente, levando vários minutos por imagem e variando de médico para médico. Este estudo investiga se uma forma moderna de inteligência artificial pode assumir essa tarefa tediosa, entregando precisão ao nível do cirurgião em uma fração de segundo e abrindo caminho para um cuidado de joanetes mais consistente e acessível.

Entendendo o problema em termos cotidianos

Hallux valgus, mais conhecido como joanete, ocorre quando o dedão se desloca para fora e o primeiro metatarso se move para dentro, formando uma protuberância óssea e frequentemente dor. Os cirurgiões baseiam‑se em dois ângulos medidos em radiografias com apoio de peso — o ângulo do hallux valgus entre o dedão e seu metatarso, e o ângulo intermetatarsal entre o primeiro e o segundo metatarso — para decidir se a cirurgia é necessária e qual procedimento escolher. Traçar esses ângulos manualmente é lento, e mesmo especialistas podem discordar entre si ou em relação às suas próprias leituras anteriores, especialmente em casos leves ou limítrofes. Uma ferramenta que possa medir esses ângulos de forma rápida e consistente seria valiosa em clínicas movimentadas e em grandes estudos de pesquisa.

Como o computador aprende a ler uma radiografia do pé

A equipe de pesquisa construiu um sistema de deep learning projetado para imitar como um especialista traça linhas ósseas em uma radiografia. Primeiro, uma rede de análise de imagem especializada contorna automaticamente três ossos-chave: o falange do dedão e o primeiro e o segundo metatarsos. A partir desses contornos, o sistema calcula uma linha central reta através de cada osso, tal como um cirurgião visualizaria ao colocar uma régua sobre a imagem. Uma vez definidas essas linhas, a geometria simples é usada para calcular os dois ângulos importantes para a avaliação do joanete. O modelo foi treinado e ajustado com mais de 2.400 radiografias de pé em carga, incluindo pacientes com joanetes e pessoas com pés de aparência normal, garantindo que ele encontrasse a gama completa de formas vistas na prática cotidiana.

Colocando o sistema frente a frente com cirurgiões

Para testar quão bem as medições automatizadas correspondiam ao julgamento de especialistas, os autores compararam o modelo com dois cirurgiões de pé e tornozelo com três e sete anos de experiência, respectivamente. Ambos os cirurgiões marcaram cuidadosamente linhas ósseas em centenas de radiografias, e um cirurgião sênior revisou seu trabalho para criar um padrão de referência. O estudo avaliou não apenas o quão próximo cada método estava desse padrão, mas também com que frequência as medições se afastavam o suficiente para serem consideradas clinicamente inaceitáveis. O computador teve desempenho equivalente ao dos cirurgiões para o ângulo do dedão e, na verdade, produziu menos erros grandes do que qualquer um dos cirurgiões para o ângulo entre o primeiro e o segundo metatarsos, especialmente em pés normais ou limítrofes onde leitores humanos tendiam a discordar mais.

Velocidade, consistência e o que acontece quando falha

Além da precisão, a vantagem mais marcante do sistema automatizado foi a velocidade: ele mediu cada radiografia em cerca de um oitavo de segundo em um computador comum, comparado com quase dois a três minutos de trabalho cuidadoso por um leitor humano. Essa eficiência abre a porta para medições instantâneas e padronizadas diretamente nos sistemas de imagem hospitalares ou mesmo em dispositivos portáteis. Os autores também examinaram casos em que o modelo errou, como imagens de baixa qualidade nas quais ossos sobrepostos levaram o software a traçar a linha errada. Eles sugerem que versões futuras poderiam ser treinadas com radiografias mais desafiadoras e equipadas com verificações internas simples para sinalizar resultados duvidosos para revisão humana, em vez de reportar silenciosamente um ângulo incorreto.

O que isso significa para pessoas com joanetes

Em linguagem cotidiana, este estudo mostra que um programa de computador cuidadosamente treinado pode medir ângulos relacionados a joanetes em radiografias de pé com precisão semelhante à de cirurgiões experientes e muito mais rapidamente, mantendo erros graves relativamente raros. Como o modelo é leve e foi liberado publicamente, outros hospitais e pesquisadores podem testá‑lo, refiná‑lo e potencialmente integrá‑lo ao cuidado rotineiro. Se futuros estudos multicêntricos confirmarem esses resultados, os pacientes poderão se beneficiar de avaliações mais objetivas e reprodutíveis de seus joanetes, levando a decisões cirúrgicas mais claras e a um acompanhamento mais consistente ao longo do tempo.

Citação: 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

Palavras-chave: hallux valgus, cirurgia de joanete, radiografia do pé, deep learning, análise de imagem médica