Automatiserad bedömning och diagnostik av sakroiliit på CT‑bilder med ett 3D‑konvolutionsnätverk: en multicenter retrospektiv studie

Varför detta är viktigt för ryggsmärta och ledfunktion

Smärta i nedre delen av ryggen som börjar i tidig vuxenålder och gradvis förvärras kan ibland vara ett tecken på ankyloserande spondylit, en långvarig form av ryggradsartros. Läkare förlitar sig på detaljerade bilder av sakroiliakalederna—där ryggraden möter bäckenet—för att upptäcka skador tidigt och styra behandling. Men dessa bilder kan vara svåra att tolka och olika specialister kan komma till olika slutsatser. Denna studie undersöker om en modern form av artificiell intelligens kan lära sig att konsekvent läsa CT‑skanningar av dessa leder, bidra till tidigare upptäckt av allvarlig sjukdom och stödja läkare i belastade kliniker.

De dolda lederna vid ryggradens bas

Sakroiliakalederna ligger djupt i bäckenet och för kroppsvikten vidare ner i benen. Vid ankyloserande spondylit kan långvarig inflammation gradvis erodera dessa leder och slutligen föra dem i sammanfogning till solid benvävnad, vilket leder till smärta, stelhet och nedsatt rörlighet. Läkare graderar skadorna på en femstegsskala, från normal till helt sammanvuxen. Att nå vissa grader ligger till grund för diagnos och avgör behandlingsval. På vanliga röntgenbilder är dock tidiga förändringar subtila, och även erfarna radiologer är ofta oense om vilken grad en bild bör ha. Även om CT‑skanningar visar bentäthet och detalj mycket tydligare, är det tidskrävande att systematiskt gradera tusentals undersökningar och många sjukhus saknar subspecialister.

Att lära en dator se det radiologer ser

Forskarna byggde ett automatiserat system som efterliknar hur en noggrann specialist skulle närma sig en CT‑skanning, men i tre dimensioner och med hög hastighet. Först isolerar en segmenteringsmodell bäckenbenen från resten av bilden och fokuserar analysen på relevant område. Därefter undersöker en andra modell—baserad på en typ av djuplärandearkitektur kallad 3D DenseNet—bensstrukturerna skiva för skiva och tilldelar en grad. Teamet tränade systemet med CT‑skanningar från 2 144 personer, inklusive både friska individer och patienter med misstänkt ankyloserande spondylit. Tre radiologer graderade varje skanning enligt internationella kriterier, och eventuella oenigheter avgjordes av en senior expert, vilket skapade ett rigoröst "undervisningsset" för AI:n.

Hur väl AI:n kände igen ledskador

När AI:n ombads skilja mellan alla fem traditionella grader av ledskada var dess prestation stark överlag och utmärkt för den mest avancerade sjukdomen. Förmågan att särskilja normala leder och helt sammanvuxna leder från övriga grader var särskilt hög, i nivå med vad man kan förvänta sig av välutbildade mänskliga läsare. Systemet var något osäkrare när det gällde att skilja de tidigaste synliga skadorna från mycket mild förändring—exakt det område där läkare oftast är oense, eftersom tecknen flyter in i varandra. För att bättre motsvara vardagliga kliniska beslut grupperade teamet också de fem graderna i tre bredare kategorier: normal eller misstänkt, tydlig strukturell skada och avancerad sammanväxning. I denna förenklade indelning blev AI:n ännu mer pålitlig och stabil.

Bevisa att det fungerar utanför ett sjukhus

En viktig fråga för alla AI‑verktyg är om de fungerar bara där de utvecklats eller också på andra sjukhus med olika skannrar och patientgrupper. För att testa detta utvärderade forskarna sin tre‑kategorimodell på CT‑skanningar från två ytterligare center som inte användes under träningen. Systemet bibehöll hög noggrannhet och förtroende, skilde korrekt personer utan strukturella skador från dem med tydlig sjukdom och identifierade de flesta fall av avancerad sammanväxning. Visualiseringstekniker visade att modellen riktade sin uppmärksamhet där en människa skulle titta—på sakroiliakalederna själva—insteget för orelaterad anatomi, vilket ökar klinikernas förtroende för dess slutsatser.

Samarbeta med radiologer, inte ersätta dem

Teamet studerade också vad som händer när radiologer använder AI‑ns förslag vid graderingen. Två erfarna bedömare graderade först bilderna själva och granskade sedan samma fall med modellens resultat. Med denna digitala andrasyn förbättrade båda radiologernas noggrannhet med cirka 7–8 procentenheter, och deras överensstämmelse med varandra ökade märkbart. AI:n eliminerade inte all osäkerhet, särskilt i gränsfall tidigt i sjukdomsförloppet, men den minskade oenighet och gav konsekvent stöd, särskilt för att känna igen mer avancerade skador.

Vad detta betyder för patienter och framtida vård

I praktiska termer visar arbetet att ett väl utformat 3D‑djuplärandesystem automatiskt kan gradera sakroiliakaledskador på CT‑skanningar med en konsistens som kan mäta sig med experter. Använt som ett stöd snarare än en ersättning kan det hjälpa till att upptäcka allvarliga strukturella förändringar tidigare, standardisera diagnoser mellan sjukhus och frigöra radiologer att fokusera på de mest komplexa fallen. Författarna framhåller att CT endast visar skada efter att den blivit permanent, så MR och klinisk bedömning förblir viktiga för att upptäcka de allra tidigaste tecknen. Trots det erbjuder detta AI‑drivna angreppssätt, som en del av ett bredare verktygslåda, ett lovande steg mot mer objektiv och reproducerbar vård för personer i riskzonen för ankyloserande spondylit.

Citering: Du, Yk., Liu, R., Guo, H. et al. Automated grading and diagnosis of sacroiliitis on CT images using a 3D convolutional neural network: a multicenter retrospective study. Sci Rep 16, 14099 (2026). https://doi.org/10.1038/s41598-026-44911-9

Nyckelord: ankyloserande spondylit, sakroiliit, CT‑avbildning, djuplärande, radiologi AI