Fenotipagem de precisão da curvatura da coluna baseada em deep learning identifica novos loci de risco genético para escoliose no UK Biobank

Por que a forma da coluna importa

A escoliose, uma curvatura lateral da coluna, pode causar dor, fraturas e redução da qualidade de vida, e ainda assim muitas pessoas com curvaturas significativas nunca recebem um diagnóstico. Este estudo mostra como visão computacional moderna e genética podem funcionar juntas para detectar problemas da coluna mais cedo e revelar as variantes de DNA que influenciam silenciosamente como nossas colunas se curvam com a idade.

Procurando curvas ocultas

Médicos geralmente avaliam a escoliose usando o ângulo de Cobb, uma medida obtida em radiografias em pé que classifica as pessoas como portadoras ou não da escoliose. Grandes biobancos populacionais, porém, tendem a conter códigos de faturamento em vez de medidas detalhadas, e esses códigos capturam em sua maioria apenas os casos mais graves. Os autores recorreram então a varreduras ósseas do corpo inteiro de mais de 57.000 adultos no UK Biobank. Essas imagens, feitas enquanto os participantes estavam deitados de costas, contêm uma silhueta clara da coluna, oferecendo a chance de medir a curvatura de forma contínua em todos, não apenas em pacientes que por acaso foram rotulados com escoliose em seus prontuários.

Ensinando computadores a traçar a coluna

Usando um pequeno conjunto de imagens cuidadosamente rotuladas à mão, a equipe treinou um modelo de deep learning para localizar e delinear a coluna de cada pessoa em sua imagem. O modelo, baseado em uma arquitetura popular de imagem médica, aprendeu a separar a coluna brilhante do resto do corpo com 99% de acurácia em nível de pixel. Para cada coluna segmentada, os pesquisadores posicionaram 20 pontos igualmente espaçados ao longo de seu comprimento, rotacionaram a coluna para que suas extremidades ficassem alinhadas verticalmente e então somaram quanto cada ponto deslocou-se para a esquerda ou para a direita de um passo para o outro. Isso produziu um número simples e contínuo para cada pessoa que capturou quanto sua coluna desviava lateralmente, em milímetros, de cima a baixo.

Verificando se a nova medida faz sentido

Para ser útil, essa pontuação de curvatura automatizada precisava acompanhar medidas clínicas estabelecidas e desfechos do mundo real. Em um conjunto de 150 pessoas, a pontuação correspondeu de perto às leituras do ângulo de Cobb feitas por cirurgiões ortopedistas, com forte correlação positiva. Pessoas cujo ângulo de Cobb atingia o corte típico para escoliose tiveram pontuações de curvatura muito maiores do que aquelas abaixo desse limiar, e aquelas com código de diagnóstico de escoliose em seus registros também apresentaram curvatura média mais alta. A curvatura tende a aumentar de forma constante com a idade, compatível com a ideia de que desgaste e perda óssea podem gradualmente curvar a coluna. Usando limiares derivados de casos diagnosticados e de ângulos de Cobb, a equipe estimou que milhares de participantes do UK Biobank provavelmente têm curvatura clinicamente importante que nunca aparece em suas codificações médicas.

Conectando a forma da coluna ao DNA

Munidos dessas pontuações de curvatura, os pesquisadores examinaram os genomas de participantes brancos britânicos em busca de variantes comuns associadas à curvatura da coluna. Eles encontraram três regiões do genoma que passaram por testes estatísticos rigorosos. Uma está próxima de PAX1, um gene já relacionado à escoliose na adolescência e ao desenvolvimento vertebral, e mostrou efeito maior em mulheres do que em homens, ecoando trabalhos anteriores sobre o risco de escoliose com viés feminino. Outras duas regiões não haviam sido relatadas em escoliose antes: uma próxima a genes envolvidos no desenvolvimento de membros e ossos, e outra sobrepondo um RNA longo não codificante entre genes ligados ao controle da qualidade de proteínas e à inflamação relacionada à coluna. No geral, o estudo baseado em imagens detectou sinais em nível genômico onde um estudo tradicional de caso-controle usando apenas códigos de diagnóstico no mesmo recurso não o fez.

Curvas da coluna e o resto do corpo

A equipe também investigou como a curvatura se relaciona com outros traços nas mesmas pessoas. Maior curvatura associou-se a mais dor nas costas, menor densidade óssea da coluna, força de preensão manual reduzida, maiores diferenças no comprimento das pernas e maior chance de osteoporose, fraturas vertebrais e espondilose, mesmo após ajuste para idade, tamanho corporal e fatores de estilo de vida. Em contraste, osteoartrite de joelho e quadril mostrou pouca relação com a curvatura espinhal nesse grupo. Esses padrões sustentam um quadro no qual a curvatura lateral em adultos mais velhos está entrelaçada com mudanças relacionadas à idade em músculos, ossos e postura, em vez de ser um problema isolado.

O que isso significa para cuidados futuros

Ao transformar imagens de coluna de rotina em medições precisas e automatizadas, este trabalho mostra como o deep learning pode expor as raízes genéticas e físicas de condições que a medicina muitas vezes registra apenas de forma superficial. A nova medida de curvatura revela muitas pessoas cujas colunas são tão curvas quanto as dos pacientes diagnosticados, mas que não têm um rótulo formal, e destaca regiões genéticas que podem ser especialmente importantes para formas relacionadas à idade ou degenerativas de escoliose. Embora estudos adicionais sejam necessários para confirmar os papéis desses genes e estender a abordagem a populações mais diversas, o estudo aponta para um futuro em que mudanças sutis em imagens médicas ajudam a identificar precocemente indivíduos em risco e a orientar pesquisas sobre como e por que nossas colunas mudam de forma ao longo da vida.

Citação: Zeosky, M., Kun, E., Reddy, S. et al. Deep learning-based precision phenotyping of spine curvature identifies novel genetic risk loci for scoliosis in the UK Biobank. npj Digit. Med. 9, 381 (2026). https://doi.org/10.1038/s41746-026-02540-6

Palavras-chave: escoliose, curvatura da coluna, deep learning, risco genético, UK Biobank