Kan klassificeringsstrategier förbättra automatisk stadieindelning av cervikal kotmognad? En jämförande studie

Varför timing av en tillväxtspurt spelar roll

För barn och tonåringar som behöver tandställning eller käk-korrigering kan det göra behandlingen smidigare, kortare och mer effektivt att träffa kroppens naturliga tillväxtspurt i rätt ögonblick. Tandläkare tittar ofta på ryggradsben i vanliga huvudröntgenbilder för att uppskatta hur långt en ung person har kommit i sin tillväxt. Men dessa visuella bedömningar kan vara inkonsekventa, och olika specialister kan ibland ge olika svar. Denna studie undersöker om väl utformade system baserade på artificiell intelligens (AI) kan läsa dessa röntgenbilder mer konsekvent — och hur man bäst tränar sådana system.

Läsa tillväxten i nackkotorna

När ortodontister planerar behandling tittar de inte bara på tänderna. De behöver också veta hur mycket en patient har kvar att växa. En vanlig metod är att undersöka de små nackkotorna, kallade cervikala kotor, på en sidovy av huvudets röntgenbild. Deras former förändras subtilt när ett barn går från tidig tillväxt, genom pubertal tillväxtspurt och in i sen tonårstid. Ett vanligt system delar in denna förändring i sex steg, men skillnaderna mellan intilliggande steg kan vara så små att även erfarna läkare ofta är oense. Denna variation försvårar standardisering av vården och gör det svårt att med säkerhet tidfästa behandlingar som är beroende av att fånga tillväxtspurten.

Att lära datorer att se subtila formförändringar

Forskarna samlade 1 750 rutinmässiga ortodontiska röntgenbilder från ett sjukhus, med patienter i genomsnitt omkring 13 år gamla. Två styrelsecertifierade ortodontister tilldelade oberoende var bild till ett av de sex tillväxtstadierna och löste sedan eventuella meningsskiljaktigheter tillsammans, vilket skapade en pålitlig referens. En datorvisionsmodell hittade först och beskärde det lilla området på bilden som innehöll tre nackkotor. Dessa beskurna bilder matades sedan in i system för djupt lärande — specialiserade AI-program som lär sig mönster direkt från många exempel — för att förutsäga tillväxtstadiet.

Hjälper experthints eller stjälper de?

Teamet jämförde två huvudsakliga träningsidéer. I den ena lärde sig AI:n end-to-end: den såg endast de beskurna kotbilderna och lärde sig direkt att förutsäga de sex tillväxtstegen. I den andra tränades AI:n först att hitta specifika landmärken på kotorna — nyckelpositioner längs deras kanter som mänskliga experter använder — och omtränades först därefter för att klassificera tillväxtstadiet, där den återanvände vad den lärt sig om dessa landmärken. Överraskande nog presterade den direkta end-to-end-metoden bättre. Den identifierade rätt sexstegs-kategori i ungefär två tredjedelar av fallen, och när den gjorde misstag hamnade de nästan alltid i ett angränsande stadium. De landmärkestyrda varianterna kom aldrig riktigt ikapp, även när deras interna lager finjusterades mer grundligt under omträningen.

Detaljerad träning för bredare kliniska beslut

I vardagligt arbete behöver ortodontister ofta inte alla sex stadier. Istället bryr de sig om tre bredare faser: före, under och efter pubertal tillväxtspurt. Forskarna testade därför om det var bättre att träna en modell direkt på dessa tre grupper, eller att först träna på hela sexstegs-skalan och sedan slå ihop dess utdata till tre. Båda tillvägagångssätten nådde liknande total noggrannhet på omkring 79 procent, men modellen som började med den finare sexstegs-träningen lade mer vikt vid de exakta kotegenskaper som klinikerna förlitar sig på, såsom de nedre kanterna och fördjupningen i benkanterna. Visuella kartor över vad AI:n "tittade på" visade en mer koncentrerad fokus på dessa meningsfulla former, medan den direkt tränade trestegsmodellen spred sin uppmärksamhet mer brett till mindre relevanta områden.

Vad det betyder för framtida tandvård

Denna studie tyder på att AI kan bedöma tillväxt från rutinmässiga ortodontiska röntgenbilder med fel som mestadels är begränsade till angränsande stadier, ungefär som den naturliga osäkerhet mänskliga experter har. Den visar också att förprogrammerade anatomiska tips inte alltid är hjälpsamma och till och med kan hålla tillbaka AI:n om dessa tips inte stämmer överens med den slutliga uppgiften. Däremot kan träning på mer detaljerade tillväxtstadier, även när endast breda kategorier behövs i kliniken, leda till modeller som tittar på samma egenskaper som mänskliga specialister använder. På lång sikt skulle sådana noggrant tränade system kunna stödja ortodontister att tidfästa behandlingar mer konsekvent och transparent, utnyttja varje patients tillväxtspurt bättre samtidigt som slutgiltiga beslut lämnas till människan.

Citering: Lee, SY., Ryu, J., Kim, YH. et al. Can classification strategies improve automated cervical vertebral maturation staging? A comparative study. Sci Rep 16, 10645 (2026). https://doi.org/10.1038/s41598-026-46004-z

Nyckelord: skeletalmognad, ortodontisk tillväxt, djupt lärande, medicinsk bildbehandling AI, cervikala kotor