Rozpoznawanie niestabilności syndesmozy w złamaniach kostki z użyciem algorytmu głębokiego uczenia

W badaniu retrospektywnym prowadzonym w uniwersyteckim ośrodku urazowym przeanalizowano możliwość wykorzystania algorytmu głębokiego uczenia do rozpoznawania niestabilności syndesmozy w złamaniach kostki na podstawie zdjęć rentgenowskich. Zidentyfikowano 700 pacjentów z rotacyjnymi złamaniami kostki z lat 2019–2024, a do treningu, walidacji i testowania algorytmu wybrano 1588 cyfrowych radiogramów. Algorytm oparto na konwolucyjnej sieci neuronowej (CNN), wykorzystując intraoperacyjny test „hakowy” jako złoty standard rozpoznania niestabilności syndesmozy. Zdjęcia klasyfikowano również według AO (AO-44 A/B/C) na podstawie dokumentacji operacyjnej.

Charakterystyka zbioru danych i metoda badania

• W ciągu 5 lat wyselekcjonowano 5412 pacjentów ze złamaniami kostki,
• W 735 przypadkach test hakowy był jednoznacznie udokumentowany,
• Do dalszej analizy włączono przypadki z kompletną dokumentacją obrazową i operacyjną,
• Podział danych na zbiory treningowy, walidacyjny i testowy zakładał proporcje 80–10–10, z losową alokacją pacjentów do grup – zapewniono rozdzielność na poziomie pacjenta,
• Zastosowano anonimowy eksport plików do formatu DICOM zgodnie z przepisami BayKrG i RODO.

Architektura głębokiego uczenia i pipeline danych

• Algorytm oparto na frameworkach TensorFlow i Python,
• Testowano architektury VGG16, EfficientNet, NasNetMobile, ResNet,
• Finalny model (NasNetMobile) trenowano z użyciem wstępnie wytrenowanych wag ImageNet,
• Użyto technik augmentacji obrazu (transformacje geometryczne, teksturalne, losowe zaburzenia, zmiany kolorystyki),
• Wprowadzono metody zapobiegające przeuczeniu (BatchNormalization, DropOut, MaxPooling, Early Stopping),
• Dodano klasy ważone ze względu na nierównomierną liczebność podklas złamań,
• W procesie treningowym zastosowano batch 128, optymalizator Adam i cykliczne stopy uczenia.

Miary skuteczności i walidacja

• Walidację przeprowadzono przez 10-krotną kroswalidację stratygowaną,
• Najlepszy model osiągnął średnią dokładność 85,60% (odchylenie standardowe 2,29%),
• Sensytywność rozpoznania niestabilności syndesmozy: 0,84 (przedział ufności 95%: 0,71–0,92),
• Specyficzność: 0,81 (95% CI: 0,58–0,90),
• Precyzja: 0,91, F1-score: 0,87,
• Skuteczność dla klasyfikacji AO-44: sensytywność 0,91, specyficzność 0,96.

Podgrupy AO kluczowe dla rozdziału przypadków:

• AO44-A: 100% stabilne,
• AO44-B: 35% stabilne, 65% niestabilne,
• AO44-C: 21% stabilne, 79% niestabilne,
• Złamania pilonowe/dalsza kość piszczelowa: 40% stabilne.

Wizualizacja decyzji algorytmu

W celu oceny procesu decyzyjnego użyto metody Guided Score-weighted Class Activation Mapping (GSCAM), która wskazuje obszary obrazu kluczowe dla klasyfikacji. Analiza heat map potwierdziła, że algorytm wykorzystywał typowe cechy niestabilności syndesmozy, m.in. przesunięcie kostki przyśrodkowej i utratę nakładania się kości strzałkowej z wcięciem piszczeli.

Wnioski i znaczenie kliniczne

Rozpoznanie niestabilności syndesmozy na podstawie konwencjonalnych zdjęć RTG pozostaje wyzwaniem nawet dla doświadczonych specjalistów (sentytywność kliniczna: 47–52%). Wprowadzenie algorytmu głębokiego uczenia pozwala zwiększyć wykrywalność do 84%, wspiera przedoperacyjne planowanie i wyprzedza obecny standard radiologiczny. Dotychczas żadne badania nie oceniały rozpoznawalności niestabilności syndesmozy za pomocą CNN w oparciu o przedoperacyjne zdjęcia RTG.

Ograniczenia badania

• Projekt jednouniwersytecki, brak walidacji zewnętrznej,
• Niewielka podgrupa AO44-A (2 przypadki w teście),
• Brak ustandaryzowanego, retrospektywnego pomiaru powtarzalności testów hakowych przez chirurgów,
• Zastosowanie tylko operacyjnych przypadków,
• Brak multimodalnych danych (np. CT, MRI) w ocenie walidacyjnej.

Praktyczne implikacje rozwoju algorytmu

• Możliwość wykorzystania w rutynowej przedoperacyjnej diagnostyce złamań kostki,
• Wsparcie w podjęciu decyzji o dodatkowej stabilizacji syndesmozy,
• Zwiększenie szans na wczesną identyfikację pacjentów wymagających złożonego postępowania chirurgicznego,
• Możliwość rozszerzenia modelu o analizy CT i MRI oraz ocenę innych urazów wiązadeł i skręceń stawu skokowego.

Wybrane źródła

• Krahenbuhl, N. et al. Imaging in syndesmotic injury: A systematic literature review. Skelet. Radiol. 47(5), 631–648 (2018).
• Mongan, J. et al. Checklist for artificial intelligence in medical imaging (CLAIM): A guide for authors and reviewers. Radiol. Artif. Intell. 2(2), e200029 (2020).
• Olczak, J. et al. Ankle fracture classification using deep learning: automating detailed AO foundation/orthopedic trauma association (AO/OTA) 2018 malleolar fracture identification reaches a high degree of correct classification. Acta. Orthop. 92(1), 102–108 (2021).

Źródło: https://www.nature.com/articles/s41598-025-14604-w.