Обнаружение пяточной шпоры на боковых рентгеновских снимках стопы с помощью глубокой обработки признаков

Почему болят пятки и почему важны умные компьютеры

Боль в пятке — одна из самых частых причин обращения к ортопеду: каждый шаг при этом может быть неприятным. Частая причина — небольшой костный нарост на пятке, называемый пяточной шпорой, который обычно видно на стандартных боковых рентгеновских снимках стопы. Чтение таких изображений порой оказывается сложной задачей, особенно на ранних стадиях болезни, и не в каждой клинике есть опытные рентгенологи. В этом исследовании предложен упрощённый компьютерный метод, который может надёжно обнаруживать такие шпоры на обычных рентгенах даже при ограниченном количестве изображений, потенциально ускоряя и упрощая помощь врачам и пациентам.

Что такое пяточные шпоры и почему их трудно заметить

Пяточные шпоры образуются в месте прикрепления мощной полосы ткани под стопой — плантарной фасции — к пяточной кости. Возраст, избыточный вес, длительное стояние и повторяющиеся мелкие травмы повышают вероятность их образования. Врач обычно начинает обследование с простого бокового рентгена стопы — он быстрый, недорогой и доступный. Проблема в том, что ранние шпоры могут выглядеть очень похоже на нормальную форму пятки, а качество снимка или небольшие изменения положения стопы могут создавать тени, похожие на шпору. Разные рентгенологи могут по-разному интерпретировать один и тот же снимок, и здесь системы с компьютерной поддержкой могут дать ценное второе мнение.

Новый способ обучать компьютеры на небольшом числе примеров

Современные системы искусственного интеллекта, известные как глубокое обучение, преобразили анализ медицинских изображений, но обычно им требуется тысячи размеченных снимков и мощные графические процессоры для хорошей работы. В реальных клиниках, особенно для узких задач вроде пяточных шпор, доступно лишь несколько сотен качественно размеченных изображений, а вычислительные ресурсы могут быть ограничены. Авторы решают эту проблему с помощью подхода, который они называют глубокой обработкой признаков: вместо обучения одной большой модели целиком они заимствуют знания из 19 существующих сетей для распознавания изображений и затем тщательно отбирают и комбинируют то, что каждая из них «узнала». Эта стратегия позволяет захватить богатые визуальные признаки, оставаясь достаточно лёгкой для повседневного применения.

Как работает многошаговая система

Команда собрала 775 обезличенных боковых рентгенов стопы из одной больницы: 316 снимков не содержали шпоры и 459 — содержали пяточную шпору, по согласованию двух опытных клиницистов. Каждое изображение было изменено в размере, но в остальном оставлено целым, чтобы анализировалась вся стопа, а не только вырезанная область. Сначала каждое изображение пропускали через 19 различных предварительно обученных нейронных сетей, каждая из которых изначально обучалась на крупной общей базе изображений. Из каждой сети исследователи извлекли числовой отпечаток, или набор признаков, суммирующий то, как эта сеть «видит» область пятки. Затем они применили итеративный метод отбора, чтобы сократить каждый большой отпечаток до меньшего набора наиболее информативных признаков, отбрасывая избыточные или шумные измерения, которые не помогали различать наличие шпоры.

Комбинирование множества маленьких голосов в одно сильное решение

Когда более компактные наборы признаков были готовы, их подали на вход специальной вариации простого и интуитивно понятного классификатора k-ближайших соседей, который оценивает новый случай по наиболее похожим прошлым примерам. Авторы расширили эту идею в ансамбль: они опробовали множество настроек расстояний и числа соседей, а затем использовали повторяющееся голосование большинства для объединения многочисленных кандидатных решений. Финальный жадный шаг выбирал ту комбинацию, которая показала лучшие результаты в кросс-валидационных тестах. В целом схема достигла точности 93,42 процента, с особенно высокой чувствительностью для случаев с реальными шпорами. Иными словами, система была более склонна проморгать нормальную пятку, чем пропустить шпору, что в контексте скрининга может быть более безопасным балансом.

Что значат эти результаты за пределами проблемы боли в пятке

Чтобы убедиться, что система обращает внимание на правильную область, исследователи визуализировали регионы, на которых сети фокусировались, и обнаружили сильное внимание вокруг подошвенной поверхности пятки — там, где ожидается образование шпор. Они также показали, что аккуратное сочетание нескольких сетей превзошло любую из них по отдельности, и что аналогичный выигрыш наблюдается при применении этой схемы к другой, более сложной базе изображений клеток. Поскольку метод работает на стандартном компьютере без видеокарты и требует лишь небольшого числа сетей при развертывании, его реалистично встроить в клинические рабочие процессы в качестве фонового помощника. Для пациентов это не заменяет мнение эксперта, но может обеспечить более согласованные заключения по распространённым рентгенограммам, быстрое подтверждение отсутствия шпоры и лучшую поддержку врачам, которые решают, как справляться с упорной болью в пятке.

Цитирование: 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

Ключевые слова: боль в пятке, рентгенография, медицинский ИИ, костный шип, система компьютерной поддержки диагностики