Модель глубокого обучения для выявления метаболического заболевания костей недоношенных по рентгенограммам запястья

Помощь хрупким костям новорождённых

У крайне недоношенных детей много скрытых рисков для здоровья, и одним из самых серьёзных является слабость и плохая минерализация костей, при которой возможны переломы практически без предупреждения. Врачи часто смотрят рентген запястья, чтобы обнаружить ранние повреждения, но характерные признаки могут быть слабыми и легко пропускаются, особенно в загруженных больницах или там, где не хватает специалистов. В этом исследовании представлена компьютерная программа на основе глубокого обучения, которая анализирует рентгенограммы запястья недоношенных младенцев и помогает врачам выявлять проблемы с костями раньше и точнее, потенциально предотвращая болезненные переломы и долгосрочные осложнения.

Почему крошечным костям нужна особая забота

Метаболическое заболевание костей недоношенных — это состояние, при котором кости очень маленьких, очень ранних младенцев плохо минерализуются. Поскольку эти дети пропускают последние недели беременности, когда в кости откладывается большая часть кальция и фосфора, они особенно уязвимы. Риск наиболее высок у детей, родившихся до 28 недель или с массой тела менее 1500 граммов, и достигает пика между четырьмя и восемью неделями после рождения. Анализы крови могут указывать на проблему, но врачи обычно подтверждают свои подозрения рентгеном запястья, где видны тонкие изменения в растущем конце лучевой кости. К сожалению, эти изменения могут появляться только при уже значительной потере костной массы, и даже тогда их сложно распознать непрофессионалу.

Обучение компьютера чтению рентгенов запястья

Чтобы решить эту проблему, исследователи в Южной Корее собрали большую коллекцию рентгенограмм запястья более чем тысячи младенцев с очень низкой массой тела, лечившихся в двух крупных больницах. Опытные специалисты тщательно пересмотрели 2239 изображений от 814 детей в одной из больниц, пометив каждую рентгенограмму как показывающую нормальную кость или признаки метаболического заболевания. Они обвели квадратом ключевую область в конце лучевой кости, чтобы компьютер сосредоточился на том же участке, что и люди‑эксперты. Затем команда обучила несколько современных моделей глубокого обучения на этих обрезанных изображениях, применяя стандартные приёмы слегка поворота, осветления или размытия картинок, чтобы алгоритмы были устойчивы к реальным условиям визуализации в неонатальных отделениях.

Как работает цифровой «читатель»

Из семи протестированных моделей лучше всего показала себя сеть DenseNet‑121. На невидимых ранее рентгенах из исходной больницы она правильно разделяла нормальные и патологические изображения примерно в 92 процентах случаев и особенно хорошо справлялась с исключением заболевания, редко пропуская поражённых младенцев. Когда модель проверяли на рентгенах из второй больницы с другим оборудованием и пациентами, она всё равно демонстрировала высокую общую точность и отличную способность отделять подозрительное от нормального. Дальнейший анализ показал, что при правильных решениях модель фокусировалась на той же области запястья, что и человеческие эксперты, что говорит о том, что она выучила медицински значимые признаки, а не случайные особенности данных.

Предоставление врачам более умного второго мнения

Затем исследователи попросили восьми педиатров и трёх рентгенологов интерпретировать рентгенограммы запястья дважды: сначала самостоятельно, а затем с показанной предсказанной моделью. С этим цифровым ассистентом клиницисты стали и точнее, и последовательнее. На изображениях из исходной больницы средняя точность выросла примерно с двух третей до более чем четырёх пятых, а частота как ложных срабатываний, так и пропусков снизилась. Подобные улучшения наблюдались и при интерпретации снимков из второй больницы. Наибольшую пользу получили педиатры, чей опыт интерпретации скелетных снимков часто ограничен. Для них поддержка ИИ превратила сложную, склонную к ошибкам задачу в ту, которая ближе по качеству к уровню рентгенолога, при этом время чтения немного сократилось.

Что это может значить для недоношенных детей

Проще говоря, исследование показывает, что хорошо обученная компьютерная программа может служить надёжной вторичной проверкой для врачей, ухаживающих за хрупкими недоношенными пациентами. Модель не заменяет клиническую оценку или анализы крови, но делает легче выделение рентгенограмм, требующих более тщательного внимания, особенно в больницах без постоянного доступа к детским рентгенологам. Более раннее и более уверенное выявление ослабления костей может побудить своевременно скорректировать питание, мониторинг и обращение с ребёнком, снизив риск болезненных переломов и долгосрочных проблем роста. При дальнейшем улучшении, расширении наборов данных и интеграции маркеров крови такие инструменты ИИ могут стать стандартными помощниками в неонатальных отделениях по всему миру, незаметно работая в фоновом режиме для защиты самых маленьких пациентов.

Цитирование: Park, S.G., Jeong, S., Cho, M. et al. Deep learning model for identification of metabolic bone disease of prematurity using wrist radiographs. Sci Rep 16, 7885 (2026). https://doi.org/10.1038/s41598-026-37116-7

Ключевые слова: недоношенные дети, здоровье костей, ИИ для медицинской визуализации, рентген запястья, неонатальная реанимация