Djupinlärningsmodell för identifiering av metaboliska bensjukdomar hos prematurer med handledsröntgen

Hjälpa sköra nyfödda ben

Mycket för tidigt födda barn står inför många dolda hälsorisker, och en av de allvarligaste är svaga, dåligt mineraliserade ben som kan fraktureras utan mycket förvarning. Läkare förlitar sig ofta på handledsröntgen för att leta efter tidiga skador, men de tydliga tecknen kan vara svaga och lätt missas, särskilt på upptagna sjukhus eller där specialister är få. Denna studie presenterar ett datorprogram baserat på djupinlärning som läser handledsröntgenbilder från för tidigt födda barn och hjälper läkare att upptäcka bensjukdomar tidigare och mer exakt, vilket potentiellt kan förhindra smärtsamma frakturer och långsiktiga komplikationer.

Varför små ben behöver extra omsorg

Metabolisk bensjukdom hos prematurer är ett tillstånd där benen hos mycket små, mycket tidigt födda barn inte mineraliseras korrekt. Eftersom dessa barn missar de sista veckorna av graviditeten, när mycket av kroppens kalcium och fosfor byggs in i skelettet, är de särskilt sårbara. Risken är högst hos barn födda före 28 veckor eller med vikt under 1500 gram, och den kulminerar mellan fyra och åtta veckor efter födseln. Blodprov kan antyda problem, men läkare bekräftar vanligtvis sina misstankar med handledsröntgen som visar subtila förändringar i den växande änden av radiusbenet. Tyvärr kan dessa förändringar först framträda när benskörheten redan är avancerad, och även då kan de vara svåra för icke-experter att känna igen.

Lära en dator att läsa handledsröntgen

För att ta itu med detta samlade forskare i Sydkorea en stor samling handledsröntgenbilder från mer än tusen mycket låg födelsevikt‑barn som behandlades vid två större sjukhus. Erfarna specialister granskade noggrant 2239 bilder från 814 barn vid ett av sjukhusen och märkte varje röntgen som antingen normal eller med tecken på metabolisk bensjukdom. De ritade en kvadrat runt det viktiga området i den distala delen av radius så att datorn skulle fokusera på samma region som mänskliga experter använder. Teamet tränade sedan flera toppmoderna djupinlärningsmodeller på dessa beskurna bilder, med vanliga tekniker för att lätt rotera, ljusa upp eller sudda bilderna så att algoritmerna skulle bli robusta mot den röriga verkligheten i neonatal intensivvårdsbildgivning.

Hur väl den digitala läsaren presterar

Bland de sju modeller som testades presterade ett nätverk känt som DenseNet‑121 bäst. På tidigare osedda röntgenbilder från det ursprungliga sjukhuset skilde det korrekt mellan normala och onormala bilder i cirka 92 procent av fallen och var särskilt bra på att utesluta sjukdom, sällan missande drabbade spädbarn. När modellen utmanades med röntgenbilder från ett andra sjukhus — med annan utrustning och andra patienter — presterade den fortfarande starkt, med hög total noggrannhet och en utmärkt förmåga att separera misstänkta från normala bilder. Ytterligare analys visade att när modellen gjorde korrekta bedömningar koncentrerade den sig på samma handledsregion som mänskliga experter, vilket tyder på att den hade lärt sig medicinskt meningsfulla mönster snarare än slumpmässiga dataegendomligheter.

Ge läkare ett smartare andra omdöme

Forskarna bad sedan åtta barnläkare och tre radiologer att läsa handledsröntgenbilder två gånger: först på egen hand och sedan igen med modellens prediktion visad. Med denna digitala assistent blev klinikerna både mer precisa och mer konsekventa. På bilderna från det ursprungliga sjukhuset ökade den genomsnittliga noggrannheten från ungefär två tredjedelar till mer än fyra femtedelar, och andelen både falska larm och missade fall minskade. Liknande förbättringar framkom när de tolkade bilder från det andra sjukhuset. Vinsterna var mest påtagliga för barnläkarna, vars erfarenhet av skelettbildgivning ofta är begränsad. För dem förvandlade AI‑stödet en utmanande, felbenägen uppgift till en som mer liknade radiolognivå, samtidigt som lästiden minskade något.

Vad detta kan betyda för prematurbarn

Kort sagt visar denna studie att ett vältränat datorprogram kan fungera som ett pålitligt andra par ögon för läkare som vårdar sköra för tidigt födda barn. Medan modellen inte ersätter kliniskt omdöme eller blodprover gör den det enklare att flagga röntgenbilder som förtjänar närmare uppmärksamhet, särskilt på sjukhus utan lätt tillgång till barnradiologer. Tidigare och mer säker upptäckt av benskörhet kan leda till snabbare förändringar i näring, övervakning och hantering, vilket minskar risken för smärtsamma frakturer och långsiktiga tillväxtproblem. Med vidare förfining, större datamängder och integration av blodmarkörer skulle sådana AI‑verktyg kunna bli standardkompanjoner på neonatalavdelningar världen över, tyst arbetande i bakgrunden för att skydda de allra minsta patienterna.

Citering: 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

Nyckelord: för tidigt födda spädbarn, benskörhet, medicinsk bildbehandlings-AI, handledsröntgen, neonatal intensivvård