Detecção de esporão calcâneo em radiografias laterais do pé usando engenharia profunda de características

Por que calcanhares doloridos e computadores inteligentes importam

A dor no calcanhar é uma das razões mais comuns para consultas em clínicas de ortopedia, frequentemente tornando cada passo desconfortável. Um culpado frequente é um pequeno crescimento ósseo no calcanhar chamado esporão calcâneo, geralmente visível em radiografias laterais do pé. Ler essas imagens pode ser surpreendentemente difícil, especialmente nas fases iniciais da doença, e nem todo hospital dispõe de radiologistas especialistas. Este estudo apresenta um método computacional simplificado que pode identificar esses esporões em raio-X comuns de forma confiável, mesmo quando há apenas um número modesto de imagens disponíveis, oferecendo potencialmente ajuda mais rápida e consistente para médicos e pacientes.

O que são esporões do calcanhar e por que são difíceis de ver

Os esporões calcâneos se formam onde a faixa resistente de tecido sob o pé, a fáscia plantar, se prende ao osso do calcanhar. Idade, excesso de peso, longos períodos em pé e lesões repetidas de pequeno porte aumentam a probabilidade de desenvolvê-los. Os médicos normalmente iniciam a avaliação com uma radiografia lateral simples do pé porque é rápida, barata e amplamente disponível. O problema é que esporões iniciais podem se assemelhar muito às formas normais do calcanhar, e a qualidade da imagem ou pequenas variações na posição do pé também podem criar sombras parecidas com esporões. Diferentes radiologistas podem interpretar o mesmo raio-X de maneiras distintas, e é aí que sistemas auxiliados por computador podem oferecer uma segunda opinião.

Uma nova forma de ensinar computadores com poucos exemplos

Sistemas de inteligência artificial modernos conhecidos como deep learning transformaram a análise de imagens médicas, mas tipicamente exigem milhares de imagens rotuladas e processadores gráficos poderosos para funcionar bem. Em clínicas reais, especialmente para condições específicas como esporões calcâneos, podem estar disponíveis apenas algumas centenas de imagens bem curadas e os recursos de computação podem ser limitados. Os autores enfrentam esse desafio com o que chamam engenharia profunda de características: em vez de treinar um modelo muito grande de ponta a ponta, eles reutilizam conhecimentos de 19 redes de reconhecimento de imagens já existentes e então selecionam e combinam cuidadosamente o que cada uma aprendeu. Essa estratégia busca capturar sinais visuais ricos mantendo o sistema geral leve o suficiente para uso diário.

Como o sistema em várias etapas funciona

A equipe coletou 775 radiografias laterais do pé anonimizadas de um único hospital, das quais 316 não mostravam esporão e 459 mostravam um esporão calcâneo, conforme concordância de dois clínicos experientes. Cada imagem foi redimensionada, mas mantida intacta para que todo o pé, e não apenas uma região recortada, fosse analisado. Primeiro, cada imagem foi processada por 19 redes neurais pré-treinadas diferentes, cada uma originalmente treinada em um grande banco de dados de imagens de uso geral. De cada rede, os pesquisadores extraíram uma impressão digital numérica, ou conjunto de características, que resume como aquela rede “vê” a região do calcanhar. Em seguida, eles usaram um método iterativo de seleção para reduzir cada grande impressão digital a um subconjunto menor das características mais informativas, descartando medidas redundantes ou ruidosas que não ajudavam a distinguir esporão de ausência de esporão.

Combinando muitos pequenos votos em uma decisão forte

Uma vez que os conjuntos de características mais enxutos estavam prontos, foram fornecidos a uma variação especial de um classificador simples e intuitivo chamado k-vizinhos mais próximos, que julga um novo caso observando exemplos passados mais semelhantes. Os autores expandiram essa ideia em um conjunto (ensemble): testaram várias configurações de distância e números de vizinhos e então usaram votação majoritária repetida para fundir as numerosas decisões candidatas. Um passo final ganancioso selecionou qual combinação teve melhor desempenho durante testes de validação cruzada. No total, o framework alcançou uma acurácia de 93,42 por cento, com sensibilidade particularmente alta para casos que realmente tinham esporões. Em outras palavras, era mais provável que errasse por classificar um calcanhar normal do que por deixar de detectar um esporão, o que pode ser um equilíbrio mais seguro em um contexto de triagem.

O que os resultados significam além da dor no calcanhar

Para garantir que o sistema estava olhando para o lugar certo, os pesquisadores visualizaram as regiões em que as redes concentraram atenção e encontraram foco forte ao redor da face inferior do calcanhar, onde se espera a formação dos esporões. Eles também mostraram que combinar cuidadosamente várias redes superou qualquer uma isoladamente, e que ganhos semelhantes apareceram quando o framework foi aplicado a um conjunto de dados separado e mais complexo de imagens celulares. Como o método roda em um computador padrão sem placa gráfica e usa apenas um punhado de redes em implantação, ele poderia ser realisticamente adicionado aos fluxos de trabalho hospitalares como um assistente em segundo plano. Para os pacientes, isso não substitui o julgamento de um especialista, mas pode significar leituras mais consistentes de raios-X comuns, tranquilidade mais rápida quando nenhum esporão estiver presente e melhor suporte para médicos que precisam decidir como tratar a dor persistente no calcanhar.

Citação: 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

Palavras-chave: dor no calcanhar, imagens de raio-X, IA médica, esporão ósseo, diagnóstico assistido por computador