En automatisk metod för utvärdering av medfödd radio‑ulnar synostosdeformitet (CRUS‑DE): integrering av TLT‑SAM och GPMM‑R för landmärkesidentifiering

Varför detta är viktigt för barnens armkirurgi

Vissa barn föds med att de två underarmsbenen är sammanvuxna nära armbågen, ett tillstånd som kallas medfödd radio‑ulnar synostos. Eftersom benen inte kan rotera normalt blir enkla sysslor som att vrida ett dörrhandtag eller använda bestick svåra eller omöjliga. Kirurger kan korrigera problemet med noggrant planerade benbrytningar, men i dag är den planeringen ofta långsam och beroende av individuell erfarenhet. Denna studie presenterar en datoriserad metod som läser vanliga CT‑bilder och automatiskt mäter hur vridna och böjda benen är, i syfte att göra behandlingen mer precis, reproducerbar och lättare att tillgängliggöra.

När två underarmsben växer som ett

I en frisk arm fungerar radius och ulna som ett par parallella skenor som kan rulla runt varandra, vilket gör att handen kan vridas uppåt och nedåt. Vid medfödd radio‑ulnar synostos är delar av dessa ben sammanvuxna från födseln, vanligen nära armbågen. Det låser underarmen i en fast rotation och medför ofta extra böjningar i flera riktningar, vilket begränsar vardagliga aktiviteter och påverkar självförtroende och socialt liv. Kirurger kan utföra osteotomi — att såga och omställa ben — för att förbättra funktionen. För att avgöra var och hur mycket man ska såga måste deformiteten först kvantifieras i tre dimensioner, en uppgift som är extremt svår att göra med blotta ögat på röntgen eller även på CT‑bilder.

Att lära datorer att se barns ben

Forskarna utvecklade en pipeline de kallar CRUS‑DE som utgår från vanliga CT‑skanningar av båda underarmarna. Först måste systemet hitta benen och separera dem från omgivande vävnad. Istället för att träna ett stort djupinlärningsnätverk, vilket skulle kräva tusentals sällsynta pediatriska fall, kombinerade teamet en traditionell "tröskel"‑metod med ett modernt visionsverktyg känt som Segment Anything Model. Deras tröskel‑lagerspårning följer benens utseende skiva för skiva genom skanningen, medan den nyare modellen rensar upp och kompletterar konturerna, även där benet är svagt eller delvis suddigt. Tester mot noggranna manuella segmenteringar utförda av en erfaren kirurg visade att denna hybridmetod mycket väl matchade de mänskliga konturerna.

Att lokalisera små landmärken på växande ben

Exakta mätningar bygger på en konsekvent uppsättning anatomiska landmärken: små knölar, spetsar och kanter på radius och ulna som definierar lokala koordinatsystem. Hos barn är dessa strukturer ofta släta och subtila, och i sammanvuxna ben kan de vara förvrängda eller delvis saknas. För att hantera detta byggde författarna statistiska "formmallar" av normala pediatriska ben med en teknik kallad Gaussian Process Morphable Models. Datorn lär sig hur bensformer typiskt varierar hos många friska barn och deformerar sedan försiktigt denna mall för att passa varje ny patients ben. Ur denna anpassning får den preliminära landmärkespositioner, som sedan förfinas med enkla geometriska regler anpassade efter anatomi — till exempel genom att välja den mest utstickande punkten i ett litet närområde. Över 40 ben var det genomsnittliga avståndet mellan automatiskt och expertdefinierade landmärken cirka en till en och en halv millimeter, utan meningsfulla skillnader jämfört med manuell märkning.

Att omvandla former till meningsfulla vinklar

När båda benen är segmenterade och landmärken identifierade bygger CRUS‑DE lokala koordinatsystem vid handled och armbåge. Systemet alignerar patientens påverkade underarm med en normal referens och beräknar hur mycket radius och ulna avviker i olika riktningar — mot tum‑ eller lillfingersidan, mot handflatan eller handryggen, och hur mycket de är inåtroterade. I 40 underarmar, inklusive både normala och sammanvuxna fall, skiljde sig de automatiskt beräknade vinklarna från experternas mätningar med i genomsnitt mindre än cirka 2,5 grader. Viktigt är att alla sex mätta vinklar tydligt skilde normala från CRUS‑underarmar och fångade både de extra böjningarna och den ofta mycket stora inåtroteringen som patienterna upplever.

Vad detta kan innebära för framtida kirurgi

För familjer är huvudbudskapet att datorer nu kan hjälpa kirurger att beskriva ett barns underarmsdeformitet med precisa, objektiva siffror istället för grova visuella intryck. Metoden omvandlar CT‑data till en 3D‑modell med markerade landmärken och kvantifierade vinklar som visar exakt hur benen är felställda. Sådan information kan vägleda preoperativ planering, hjälpa mindre erfarna kirurger att nå resultat liknande experter och göra det enklare att utvärdera hur väl operationen har korrigerat problemet i efterhand. Författarna ser också möjligheten att kombinera dessa automatiska mätningar med skräddarsydda sågmallar och robotverktyg, vilket potentiellt kan leda till säkrare, mer precisa och mer individualiserade operationer för barn som föds med detta utmanande tillstånd.

Citering: Liu, L., Cui, Y., Zhou, T. et al. An automatic congenital radio-ulnar synostosis deformity evaluation method (CRUS-DE): integrating TLT-SAM and GPMM-R for landmark identification. Sci Rep 16, 6434 (2026). https://doi.org/10.1038/s41598-026-36638-4

Nyckelord: medfödd radio‑ulnar synostos, underarmsdeformitet, osteotomiplanering, medicinsk bildanalys, barnortopedi