BoneAgeTW2: Automated Skeletal Maturation Assessment via the Tanner-Whitehouse 2 Method, Deep Learning, and Clinical Report Generation with Distribution Curves

Stellen Sie sich vor, Ihr Körper wäre eine Baustelle und Ihre Knochen wären die Stahlträger, die dort errichtet werden. Während Ihr Geburtstag Ihnen verrät, wie viele Jahre Sie schon auf der Baustelle sind, haben Ihre Knochen ihre eigene interne Uhr; sie wachsen und härten in ihrem eigenen Tempo. Manchmal läuft diese biologische Uhr schnell, manchmal langsam, und Ärzte müssen den Unterschied kennen, um Kindern mit Wachstumsstörungen zu helfen oder um zu verstehen, wie viel Zeit einem Teenager noch bleibt, um größer zu werden. Jahrzehntelang war die „Goldstandard“-Methode zur Überprüfung dieser Knochenuhr ein Verfahren namens Tanner-Whitehouse 2 (TW2). Es ist wie ein Baumeister, der 20 spezifische Stahlträger an Hand und Handgelenk inspiziert und jeden einzelnen prüft, um zu sehen, ob er noch weich und wachsend oder bereits vollständig ausgehärtet ist. Diese Inspektion ist unglaublich detailliert, aber auch unglaublich langsam; ein menschlicher Experte benötigt 10 bis 20 Minuten pro Patient, und selbst dann können zwei Experten um bis zu einem Jahr voneinander abweichen.

Hier kommt ein neues digitales Werkzeug ins Spiel, das darauf ausgelegt ist, diesen Prozess zu beschleunigen, ohne an Detailtiefe zu verlieren. Dieses Paper stellt BoneAgeTW2 vor, ein System der künstlichen Intelligenz, das wie ein superschneller, unermüdlicher Lehrlingsradiologe fungiert. Anstatt nur eine einzige Zahl für das Knochenalter eines Kindes zu schätzen, ahmt dieses System den exakten Prozess des menschlichen Experten nach. Es betrachtet eine Röntgenaufnahme einer Hand, findet 20 spezifische Knochen und weist jedem eine Reifungsstufe zu, genau wie ein Mensch es tun würde. Anschließend berechnet es die Zahlen, um eine endgültige Altersschätzung inklusive eines Konfidenzintervalls und eines visuellen Berichts zu liefern, der genau zeigt, wie jeder einzelne Knochen im Vergleich zum Durchschnitt für dieses Alter aussieht. Das Ziel ist nicht nur Geschwindigkeit; es geht darum, transparent zu sein und dem Arzt eine klare, schrittweise Aufschlüsselung darüber zu geben, warum das System zu seinem Schluss gekommen ist, anstatt nur eine mysteriöse „Black-Box“-Antwort zu liefern.

Das Problem: Der langsame, menschliche Weg

Lange Zeit war die Überprüfung des Knochenalters eines Kindes ein wenig so, als würde man eine sehr komplexe, handgeschriebene Karte lesen. Die Methode von Tanner-Whitehouse 2 (TW2) ist die Karte, die in Lateinamerika und Europa verwendet wird. Um sie zu lesen, muss ein Radiologe eine Röntgenaufnahme einer Hand betrachten und 20 spezifische Knochen identifizieren – von den langen Knochen in den Fingern bis hin zu den kleinen, puzzleteilartigen Knochen im Handgelenk. Für jeden Knochen muss er entscheiden, in welcher „Stufe“ der Reife er sich befindet, die von einem weichen, frühen Stadium (A) bis zu einem vollständig ausgehärteten, erwachsenen Stadium (I) reicht.

Sobald er alle 20 Knochen bewertet hat, muss er die Punkte mithilfe spezieller Tabellen zusammenrechnen, um ein endgültiges „Knochenalter“ zu erhalten. Um das Ergebnis einzuordnen, zeichnen Experten oft glockenförmige Kurven (Gauß-Verteilungen), um zu sehen, ob ein bestimmter Knochen dem Zeitplan voraus ist oder hinterherhinkt. Das Problem? Dieser gesamte Prozess dauert 10 bis 20 Minuten pro Patient. Er erfordert jahrelange Ausbildung, und da er so manuell erfolgt, können zwei verschiedene Ärzte bei derselben Röntgenaufnahme unterschiedliche Ergebnisse liefern, manchmal mit einer Differenz von bis zu 12 Monaten. Es gibt zwar einige kommerzielle Tools, die das Knochenalter schätzen können, aber diese sind teuer, quelloffen geschlossen (man kann nicht sehen, wie sie funktionieren) und spucken meist nur eine einzige Zahl aus, ohne den Rechenweg dahinter aufzuzeigen.

Die Lösung: BoneAgeTW2

Die Autoren dieses Papers haben BoneAgeTW2 entwickelt, ein Open-Source-System, das den gesamten TW2-Workflow automatisiert. Stellen Sie es sich wie ein digitales Fließband vor, das eine Röntgenaufnahme am einen Ende einspeist und in weniger als 5 Sekunden einen vollständigen klinischen Bericht ausspuckt.

So funktioniert die Maschine Schritt für Schritt:

1. Das Setup: Zuerst bereinigt das System das Röntgenbild. Es prüft die digitale Datei, um festzustellen, ob das Bild vergrößert ist (wie ein Foto, das zu nah an einem Fenster aufgenommen wurde), und korrigiert die Größe automatisch. Zudem spiegelt es das Bild, falls es sich um eine rechte Hand handelt, um sicherzustellen, dass der Computer immer eine „linke Hand“-Ansicht sieht, genau wie seine Trainingsdaten.
2. Das Finden der Knochen: Mithilfe eines intelligenten Detektors namens YOLOv8 sucht das System nach den 20 spezifischen Knochen der Hand. Es zieht eine Box um jeden einzelnen, was wie ein Textmarker wirkt, der die Stellen markiert, die der Radiologe prüfen muss.
3. Die Klassifizierung: Dies ist der knifflige Teil. Das System muss wissen, in welcher Stufe (A bis I) sich jeder Knochen befindet. Da die Trainingsdaten nicht für jede einzelne Knochenstufe gelabelt waren, nutzten die Autoren einen cleveren Trick namens „Pseudo-Labeling“. Sie verwendeten das bekannte Knochenalter des Patienten, um die wahrscheinlichste Stufe für jeden Knochen zu erraten, und erstellten so einen Trainingsdatensatz. Danach trainierten sie ein Deep-Learning-Modell (EfficientNet-B3) mit 20 verschiedenen „Heads“, wobei jeder Head ein Experte für genau einen spezifischen Knochen ist.
4. Die Bewertung: Sob sobald das System eine Stufe für jeden Knochen festgelegt hat, addiert es die Punkte exakt nach den offiziellen TW2-Regeln. Es berechnet einen Score für die langen Knochen (RUS) und die Handwurzelknochen (Carpal).
5. Der Bericht: Schließlich generiert es einen vollständigen Bericht. Dies ist nicht bloß eine Zahl. Er enthält ein annotiertes Bild, das die 20 Boxen zeigt, eine Tabelle mit dem Score für jeden einzelnen Knochen und – das ist der Clou – interaktive Glockenkurven. Diese Kurven zeigen dem Arzt exakt, wo der Knochen des Patienten im Vergleich zur Durchschnittspopulation liegt. Wenn ein Knochen verzögert ist, kann der Arzt sehen, dass die Kurve weit links vom tatsächlichen Alter des Patienten gipfelt.

Was das System erreicht (und was nicht)

Das Paper präsentiert BoneAgeTW2 als ein System, das den gesamten TW2-Prozess erfolgreich automatisiert – vom Rohbild bis zum herunterladbaren PDF-Bericht. Das System ist so konzipiert, dass es auf Standard-Computerhardware (CPU) in unter 5 Sekunden oder sogar schneller auf einer Grafikkarte (GPU) läuft.

Die Autoren sind vorsichtig darin, die Erwartungen hinsichtlich der Genauigkeit zu steuern. Sie räumen ein, dass das System, da es gezwungen ist, den starren, schrittweisen Regeln der TW2-Methode zu folgen (die diskrete Stufen wie A, B, C verwendet), mathematisch vielleicht nicht so präzise sein wird wie einige „Black-Box“-KI-Systeme, die direkt eine Zahl schätzen. Tatsächlich erwarten sie, dass ihr System eine etwas höhere Fehlermarge (Mean Absolute Error) aufweisen wird als diese einfacheren KI-Modelle. Sie argumentieren jedoch, dass dies ein guter Kompromiss ist. Das Ziel ist nicht nur, der beste Zahlenrechner zu sein; das Ziel ist es, erklärbar zu sein.

Durch die Aufschlüsselung der Antwort Knochen für Knochen ermöglicht das System dem Arzt zu sehen, welche Knochen eine Verzögerung oder einen Vorsprung verursachen. Wenn das Knochenalter eines Kindes niedrig ist, kann der Arzt den Bericht prüfen und sehen: „Ah, der Radius ist in Stufe F, aber die Ulna ist in Stufe E“, was ihm ein viel klareres Bild des Zustands des Patienten vermittelt, als es eine einzige Zahl je könnte.

Das „Glockenkurven“-Feature

Eines der einzigartigsten Merkmale von BoneAgeTW2 ist die Art und Weise, wie es Daten visualisiert. Für jeden der 20 Knochen zeichnet das System eine Glockenkurve. Stellen Sie sich einen Graphen vor, bei dem die horizontale Linie das Alter darstellt und die Kurve zeigt, wie häufig eine bestimmte Knochenstufe in verschiedenen Altersgruppen vorkommt.

• Wenn der Knochen des Patienten in Stufe „E“ ist, hebt das System die „E“-Kurve hervor.
• Es zeichnet dann eine vertikale Linie für das tatsächliche Alter des Patienten.
• Wenn die Linie weit rechts vom Gipfel der Kurve liegt, weiß der Arzt, dass dieser Knochen „verzögert“ ist (er verhält sich jünger als der Patient).
• Wenn die Linie links liegt, ist der Knochen „fortgeschritten“.

Dieses visuelle Werkzeug, das normalerweise von Hand gezeichnet oder aufgrund von Zeitmangel ganz übersprungen wird, wird automatisch für jeden Knochen generiert und bietet so eine reichhaltige, detaillierte Ansicht der skelettalen Reife des Kindes.

Das Fazit

BoneAgeTW2 ist ein Proof-of-Concept-System, das die detaillierte, menschenähnliche Logik der Tanner-Whitehouse-2-Methode in das digitale Zeitalter überführt. Es ersetzt nicht den Radiologen; statlich fungiert es als leistungsstarker Assistent, der die Schwerstarbeit übernimmt – das Finden der Knochen, das Bewerten der Stufen und das Zeichnen der Diagramme in Sekundenschnelle. Die Autoren betonen, dass dies ein Werkzeug zur Entscheidungsunterstützung ist, das weiterhin von einem qualifizierten Arzt überprüft werden muss, insbesondere da das System auf Trainingsdaten basiert, die möglicherweise nicht perfekt mit jeder Population übereinstimmen (wie etwa Kindern in Kolumbien, woher die Studie stammt).

Obwohl das System noch kein fertiges medizinisches Gerät für jeden Krankenhausalltag ist, zeigt es, dass es möglich ist, ein komplexes, manuelles medizinisches Protokoll zu automatisieren und dabei die Logik transparent zu halten. Es verwandelt eine 20-minütige Aufgabe für Experten in einen 5-Sekunden-Prozess, der einen Bericht liefert, der so detailliert ist, dass ein Arzt genau nachvollziehen kann, wie die KI zu ihrem Schluss gekommen ist – Knochen für Knochen.