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

Imagina que tu cuerpo es una obra en construcción y tus huesos son las vigas de acero que se están erigiendo. Si bien tu cumpleaños te dice cuántos años llevas en la obra, tus huesos tienen su propio reloj interno, creciendo y endureciéndose a su propio ritmo. A veces, este reloj biológico corre rápido, otras veces lento, y los médicos necesitan saber la diferencia para ayudar a los niños con problemas de crecimiento o para entender cuánto tiempo le queda a un adolescente para crecer en estatura. Durante décadas, el "estándar de oro" para verificar este reloj óseo ha sido un método llamado Tanner-Whitehouse 2 (TW2). Es como un maestro constructor que inspecciona 20 vigas de acero específicas en la mano y la muñeca, comprobando cada una para ver si aún está blanda y creciendo o si ya está completamente endurecida. Esta inspección es increíblemente detallada pero también increíblemente lenta, tomando a un experto humano de 10 a 20 minutos por paciente e incluso así, dos expertos podrían discrepar por hasta un año.

Aquí entra una nueva herramienta digital diseñada para acelerar este proceso sin perder el detalle. Este artículo presenta BoneAgeTW2, un sistema de inteligencia artificial que actúa como un aprendiz de radiólogo superrápido e incansable. En lugar de simplemente adivinar un único número para la edad ósea de un niño, este sistema imita el proceso exacto del experto humano. Observa una radiografía de una mano, encuentra 20 huesos específicos y asigna una etapa de madurez a cada uno, tal como lo haría un humano. Luego, procesa los números para dar una estimación de la edad final, completa con un rango de confianza y un informe visual que muestra exactamente cómo cada hueso se compara con el promedio para esa edad. El objetivo no es solo ser rápido; es ser transparente, brindando a los médicos un desglose claro y paso a paso de por qué el sistema llegó a su conclusión, en lugar de una respuesta misteriosa de "caja negra".

El Problema: La forma humana y lenta

Durante mucho tiempo, verificar la edad ósea de un niño ha sido un poco como leer un mapa escrito a mano muy complejo. El método Tanner-Whitehouse 2 (TW2) es el mapa que todos en América Latina y Europa utilizan. Para leerlo, un radiólogo tiene que mirar una radiografía de una mano e identificar 20 huesos específicos, desde los largos en los dedos hasta los pequeños huesos con forma de pieza de rompecabezas en la muñeca. Para cada hueso, debe decidir en qué "etapa" de madurez se encuentra, que va desde una etapa temprana y blanda (A) hasta una etapa adulta y totalmente endurecida (I).

Una vez que ha puntuado todos los 20 huesos, tiene que sumar los puntos utilizando tablas especiales para obtener la "edad ósea" final. Para dar sentido al resultado, a menudo dibujan curvas en forma de campana (distribuciones gaussianas) para ver si un hueso específico está adelantado o retrasado respecto al programa. ¿El problema? Todo este proceso toma de 10 a 20 minutos por paciente. Requiere años de entrenamiento y, debido a que es tan manual, dos médicos diferentes pueden dar respuestas distintas para la misma radiografía, a veces con una diferencia de hasta 12 meses. Aunque existen algunas herramientas comerciales que pueden adivinar la edad ósea, son costosas, de código cerrado (no puedes ver cómo funcionan) y generalmente solo arrojan un número único sin mostrar el trabajo realizado detrás de él.

La Solución: BoneAgeTW2

Los autores de este artículo construyeron BoneAgeTW2, un sistema de código abierto que automatiza todo el flujo de trabajo de TW2. Piense en ello como una línea de ensamblaje digital que recibe una radiografía por un extremo y expulsa un informe clínico completo en menos de 5 segundos.

Así es como funciona la máquina, paso a paso:

1. La Configuración: Primero, el sistema limpia la imagen de la radiografía. Verifica el archivo digital para ver si la imagen está magnificada (como una foto tomada demasiado cerca de una ventana) y corrige el tamaño automáticamente. También voltea la imagen si es una mano derecha, asegurando que la computadora siempre vea una vista de "mano izquierda", tal como sus datos de entrenamiento.
2. Encontrar los Huesos: Utilizando un detector inteligente llamado YOLOv8, el sistema rastrea los 20 huesos específicos de la mano. Dibuja un cuadro alrededor de cada uno, actuando como un marcador que resalta los puntos que el radiólogo necesita revisar.
3. La Clasificación: Esta es la parte difícil. El sistema necesita saber en qué etapa (de la A a la I) se encuentra cada hueso. Dado que los datos de entrenamiento no tenían etiquetas para cada etapa de cada hueso, los autores utilizaron un truco ingenioso llamado "etiquetado pseudo" (pseudo-labeling). Utilizaron la edad ósea conocida del paciente para adivinar la etapa más probable para cada hueso, creando así un conjunto de entrenamiento. Luego, entrenaron un modelo de aprendizaje profundo (EfficientNet-B3) con 20 "cabezas" diferentes, donde cada cabeza es experta en un solo hueso específico.
4. La Puntuación: Una vez que el sistema tiene una etapa para cada hueso, suma los puntos exactamente de acuerdo con las reglas oficiales de TW2. Calcula una puntuación para los huesos largos (RUS) y los huesos del carpo (Carpal).
5. El Informe: Finalmente, genera un informe completo. Esto no es solo un número. Incluye una imagen anotada que muestra los la 20 cajas, una tabla con la puntuación de cada hueso y —esta es la parte genial— curvas de campana interactivas. Estas curvas muestran al médico exactamente dónde se sitúa el hueso del paciente en comparación con la población promedio. Si un hueso está retrasado, el médico puede ver la curva alcanzando su punto máximo mucho más a la izquierda de la edad real.

Lo que el sistema logra (y lo que no)

El artículo presenta a BoneAgeTW2 como un sistema que logra automatizar todo el proceso de TW2, desde la imagen bruta hasta un informe descargable en PDF. El sistema está diseñado para ejecutarse en hardware de computadora estándar (CPU) en menos de 5 segundos, o incluso más rápido en una tarjeta gráfica (GPU).

Los autores son cuidadosos al gestionar las expectativas respecto a la precisión. Reconocen que, debido a que el sistema está obligado a seguir las reglas rígidas y paso a paso del método TW2 (que utiliza etapas discretas como A, B, C), podría no ser tan matemáticamente preciso como algunos sistemas de IA de "caja negra" que simplemente adivinan un número directamente. De hecho, esperan que su sistema tenga un margen de error (Error Absoluto Medio) ligeramente mayor que esos modelos de IA más simples. Sin embargo, argumentan que este es un buen intercambio. El objetivo no es solo ser el mejor calculador de números; es ser explicable.

Al desglosar la respuesta hueso por hueso, el sistema permite a un médico ver qué huesos están causando un retraso o un adelanto. Si la edad ósea de un niño es baja, el médico puede mirar el informe y ver: "Ah, el radio está en la etapa F, pero el cúbito está en la etapa E", lo que le brinda una imagen mucho más clara de la condición del paciente que un simple número podría ofrecer.

La función de la "Curva de Campana"

Uno de los rasgos más únicos de BoneAgeTW2 es cómo visualiza los datos. Para cada uno de los 20 huesos, el sistema dibuja una curva de campana. Imagine un gráfico donde la línea horizontal es la edad y la curva muestra qué tan común es cierta etapa de un hueso a diferentes edades.

• Si el hueso del paciente está en la etapa "E", el sistema resalta la curva "E".
• Luego, dibuja una línea vertical para la edad real del paciente.
• Si la línea está muy a la derecha del pico de la curva, el médico sabe que ese hueso está "retrasado" (está actuando de forma más joven de lo que el paciente es).
• Si la línea está a la izquierda, el hueso está "adelantado".

Esta herramienta visual, que usualmente se dibuja a mano o se omite por completo debido a las limitaciones de tiempo, se genera automáticamente para cada hueso, proporcionando una visión rica y detallada de la madurez esquelética del niño.

La Conclusión

BoneAgeTW2 es un sistema de prueba de concepto que trae el razonamiento detallado y humano del método Tanner-Whitehouse 2 a la era digital. No reemplaza al radiólogo; en su lugar, actúa como un asistente poderoso que realiza el trabajo pesado de encontrar los huesos, puntuarlos y dibujar los gráficos en segundos. Los autores enfatizan que este es una herramienta de apoyo a la decisión que aún debe ser revisada por un médico calificado, especialmente dado que el sistema depende de datos de entrenamiento que podrían no coincidir perfectamente con cada población (como los niños en Colombia, donde se originó el estudio).

Si bien el sistema aún no es un dispositivo médico "resuelto" listo para todos los hospitales, demuestra que es posible automatizar un protocolo médico complejo y manual manteniendo la lógica transparente. Convierte una tarea de 20 minutos, exclusiva de expertos, en un proceso de 5 segundos que produce un informe tan detallado que un médico puede ver exactamente cómo la IA llegó a su conclusión, hueso por hueso.