Automatiserad diagnostik av cervikal spondylos på multimodala medicinska bilder med en multitask-djupinlärningsmodell

Ett dolt nackproblem med stor vardaglig påverkan

Cervikal spondylos — ålders- eller livsstilsrelaterat slitage i nacken — finns nästan överallt, men är ofta svårt att upptäcka i ett tidigt skede. Det kan ge ihållande nacksmärta, huvudvärk, domningar och till och med gångsvårigheter, men de subtila förändringarna på medicinska bilder kräver år av erfarenhet för att tolka. Denna studie visar hur ett artificiellt intelligenssystem (AI) kan lära sig av expertdoktorer att läsa röntgenbilder och MR-bilder av nacken och därigenom hjälpa till att föra specialistnivådiagnostik till upptagna sjukhus och understödda kliniker.

Varför nackslitage är så svårt att fånga

Till skillnad från ett brutet ben eller en stor tumör lämnar cervikal spondylos vanligtvis inte ett enda uppenbart spår på en bild. Istället innefattar det många små, samverkande förändringar: nackens naturliga kurva kan bli flack eller omvänd, kotorna kan skjuta sig något ur läge, diskar kan buktas eller brista och kanalen som rymmer ryggmärgen kan gradvis bli smalare. Läkare mäter för närvarande flera geometriska egenskaper på röntgen — såsom nackens övergripande böjning och inriktningen av nyckelkotor — samt förändringar som syns på MR som avslöjar mjukdelsproblem som diskherniering eller inklämning av nervrötter. Att göra detta noggrant för varje patient tar mycket tid och är starkt beroende av skickligheten hos erfarna radiologer och rygghirurger, som ofta är knappa utanför större vårdcentra.

Att lära en dator att läsa nacken som en specialist

Forskarna byggde ett djupinlärningssystem som efterliknar hur experter granskar cervikala bilder, men som gör det automatiskt och konsekvent. Först upptäcker det konturerna och hörnen av nackkotorna på laterala röntgenbilder och behandlar varje kota som en precist definierad fyrhörning. Från dessa punkter beräknar modellen standardmått som används vid operationsplanering, såsom Cobb-vinkeln (som beskriver hur krökt eller rak nacken är) och sagittal vertikal axel, en viktig markör för om huvudet är väl balanserat över ryggraden. Den uppskattar också hur mycket intilliggande kotor glider i förhållande till varandra, vilket signalerar instabilitet, och mäter storleken på ryggmärgskanalen och kotkroppen för att beräkna ett förhållande som indikerar möjlig medfödd förträngning.

Kombinera olika undersökningar till en sammanhängande bild

Eftersom ingen enskild undersökning berättar hela historien designade teamet systemet för att fungera med både röntgen och MR på ett samordnat sätt. Röntgen ger precis information om benens form och alignment, medan MR visar tillståndet hos mjukdelarna, särskilt mellanrumsdiskarna och öppningarna där nerverna lämnar ryggraden. Med en multitask-inlärningsuppställning tränas AI:n att utföra alla dessa mätningar och klassificeringar tillsammans och dela det den lär sig mellan uppgifter. För MR har ett dedikerat nätverk fokus på diskarna mellan varje par kotor och avgör om de är relativt friska eller visar allvarligare utbuktning eller extrusion, och om ryggmärgskanalen och nervutgångarna är förträngda. Istället för att smälta ihop allt till en enda ja- eller nej-etikett producerar systemet en detaljerad profil över vilka problem som finns och var de sitter.

Hur väl AI:n står sig mot mänskliga läkare

Studien analyserade röntgen- och MR-bilder från över tusen patienter vårdade på ett större sjukhus, med noggranna etiketter från erfarna radiologer och rygsspecialister. För enkla geometriska mått som avstånd var AI:ns fel ofta under en millimeter, och för vinklar var de i genomsnitt bara några graders avvikelse — tillräckligt nära för att i många fall anses kliniskt utbytbara med manuella mätningar. För diskproblem, kanalförträngning och stenos vid nervutgångar på MR nådde modellen noggrannhetsnivåer jämförbara med, och ibland bättre än, juniora och seniora radiologer, och liknade erfarna kliniker, samtidigt som den levererade sina resultat på sekunder i stället för minuter. När författarna testade systemet på ett andra sjukhus sjönk prestandan något men höll sig hög, vilket tyder på att det kan generalisera bortom den ursprungliga träningsplatsen.

Vad detta kan innebära för patienter och kliniker

För en person som lever med nacksmärta ligger löftet i detta arbete i snabbare, mer konsekventa diagnoser och bättre anpassade behandlingsbeslut. AI:n ersätter inte läkare; den fungerar i stället som en outtröttlig assistent som kan förmätaminstrumentera nyckelfunktioner, markera sannolika problemområden och tillhandahålla en enhetlig, bild-för-bild rapport om nackens hälsa. Eftersom den speglar de mätningar experter redan litar på — snarare än att uppfinna nya — kan den integreras i befintliga kliniska rutiner och bidra till att överföra specialistkunskap till sjukhus som saknar egna ryggeexperter. Om sådana system antas i stor skala och valideras ytterligare kan de leda till tidigare upptäckt av riskfyllda nackförändringar, färre missade fall och mer lämpliga kirurgiska eller konservativa vårdinsatser för miljontals människor världen över.

Citering: Song, X., Li, Y., Ouyang, H. et al. Automated diagnostic of cervical spondylosis on multimodal medical images with a multi-task deep learning model. Nat Commun 17, 2392 (2026). https://doi.org/10.1038/s41467-026-69023-w

Nyckelord: cervikal spondylos, ryggmärgsavbildning, djupinlärning, medicinsk AI, nacksmärta