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

Immagina che il tuo corpo sia un cantiere edile e le tue ossa siano le travi d'acciaio che vengono erette. Mentre il tuo compleanno ti dice quanti anni hai trascorso sul cantiere, le tue ossa hanno il proprio orologio interno, crescendo e indurendosi secondo i propri ritmi. A volte questo orologio biologico corre veloce, altre volte lento, e i medici devono conoscere la differenza per aiutare i bambini con problemi di crescita o per capire quanto tempo rimane a un adolescente per crescere in altezza. Per decenni, il "gold standard" per controllare questo orologio osseo è stato un metodo chiamato Tanner-Whitehouse 2 (TW2). È come un capomastro che ispeziona 20 specifiche travi d'acciaio nella mano e nel polso, controllando ognuna di esse per vedere se è ancora morbida e in crescita o se è completamente indurita. Questa ispezione è incredibilmente dettagliata ma anche incredibilmente lenta, richiedendo a un esperto umano dai 10 ai 20 minuti per paziente e, anche allora, due esperti potrebbero non concordare per un margine di fino a un anno.

Ora, entra in scena un nuovo strumento digitale progettato per velocizzare questo processo senza perdere il dettaglio. Questo articolo presenta BoneAgeTW2, un sistema di intelligenza artificiale che agisce come un apprendista radiologo super veloce e instancabile. Invece di limitarsi a indovinare un singolo numero per l'età ossea di un bambino, questo sistema imita l'esatto processo dell'esperto umano. Analizza una radiografia di una mano, trova 20 ossa specifiche e assegna a ciascuna uno stadio di maturazione, proprio come farebbe un essere umano. Successivamente, elabora i dati per fornire una stima finale dell'età, completa di un intervallo di confidenza e di un rapporto visivo che mostra esattamente come ogni osso si confronti con la media per quell'età. L'obiettivo non è solo essere veloci; è essere trasparenti, fornendo ai medici una spiegazione chiara e dettagliata del perché il sistema è giunto alla sua conclusione, piuttosto che una risposta misteriosa proveniente da una "scatola nera".

Il Problema: Il Metodo Umano, Lento

Per molto tempo, controllare l'età ossea di un bambino è stato un po' come leggere una mappa scritta a mano molto complessa. Il metodo Tanner-Whitehouse 2 (TW2) è la mappa che tutti in America Latina ed Europa utilizzano. Per leggerla, un radiologo deve guardare una radiografia di una mano e identificare 20 ossa specifiche, da quelle lunghe delle dita alle piccole ossa a incastro del polso. Per ogni osso, deve decidere in quale "stadio" di maturazione si trova, che va da uno stadio iniziale e morbido (A) a uno stadio adulto completamente indurito (I).

Una volta assegnati i punteggi a tutte le 20 ossa, deve sommare i punti utilizzando tabelle speciali per ottenere l'età ossea finale. Per dare un senso al risultato, spesso disegnano curve a campana (distribuzioni gaussiane) per vedere se un osso specifico è in anticipo sulla tabella di marcia o in ritardo. Il problema? Tutto questo processo richiede dai 10 ai 20 minuti per paziente. Richiede anni di formazione e, poiché è un processo così manuale, due medici diversi potrebbero fornire risposte differenti per la stessa radiografia, talvolta con uno scarto fino a 12 mesi. Sebbene esistano alcuni strumenti commerciali in grado di indovinare l'età ossea, essi sono costosi, a codice chiuso (non puoi vedere come funzionano) e solitamente restituiscono solo un numero senza mostrare il lavoro svolto dietro di esso.

La Soluzione: BoneAgeTW2

Gli autori di questo articolo hanno costruito BoneAgeTW2, un sistema open-source che automatizza l'intero flusso di lavoro TW2. Immaginatelo come una catena di montaggio digitale che riceve una radiografia da un lato e ne restituisce un rapporto clinico completo in meno di 5 secondi.

Ecco come funziona la macchina, passo dopo passo:

1. La Configurazione: Per prima cosa, il sistema pulisce l'immagine radiografica. Controlla il file digitale per vedere se l'immagine è ingrandita (come una foto scattata troppo vicino a una finestra) e corregge automaticamente la dimensione. Inoltre, ribalta l'immagine se si tratta di una mano destra, assicurandosi che il computer guardi sempre una vista di "mano sinistra", proprio come i suoi dati di addestramento.
2. Trovare le Ossa: Utilizzando un rilevatore intelligente chiamato YOLOv8, il sistema rintraccia le 20 ossa specifiche della mano. Disegna un riquadro attorno a ciascuna di esse, agendo come un evidenziatore che segna i punti che il radiologo deve controllare.
3. La Classificazione: Questa è la parte complicata. Il sistema deve sapere in quale stadio (da A a I) si trova ogni osso. Poiché i dati di addestramento non avevano etichette per ogni singolo stadio osseo, gli autori hanno utilizzato un trucco astuto chiamato "pseudo-labeling". Hanno usato l'età ossea nota del paziente per ipotizzare lo stadio più probabile per ogni osso, creando un set di addestramento. Successivamente, hanno addestrato un modello di deep learning (EfficientNet-B3) con 20 "teste" diverse, dove ogni testa è un esperto di un solo osso specifico.
4. Il Punteggio: Una volta che il sistema ha uno stadio per ogni osso, somma i punti seguendo esattamente le regole ufficiali del TW2. Calcola un punteggio per le ossa lunghe (RUS) e per le ossa del carpo (Carpal).
5. Il Rapporto: Infine, genera un rapporto completo. Non è solo un numero. Include un'immagine annotata che mostra i 20 riquadri, una tabella con il punteggio per ogni singola osso e — questa è la parte interessante — curve a campana interattive. Queste curve mostrano al medico esattamente dove si colloca l'osso del paziente rispetto alla popolazione media. Se un osso è in ritardo, il medico può vedere la curva con il picco molto a sinistra rispetto all'età reale del paziente.

Cosa Ottiene il Sistema (e Cosa Non Ottiene)

L'articolo presenta BoneAgeTW2 come un sistema che automatizza con successo l'intero processo TW2, dall'immagine grezza al rapporto PDF scaricabile. Il sistema è progettato per funzionare su hardware standard (CPU) in meno di 5 secondi, o ancora più velocemente su una scheda grafica (GPU).

Gli autori gestiscono con cura le aspettative riguardo l'accuratezza. Riconoscono che, poiché il sistema è costretto a seguire le rigide regole passo-passo del metodo TW2 (che utilizza stadi discreti come A, B, C), potrebbe non essere matematicamente preciso quanto alcuni sistemi di IA "black box" che indovinano direttamente un numero. Infatti, prevedono che il loro sistema possa avere un margine di errore (Mean Absolute Error) leggermente superiore rispetto a quei modelli di IA più semplici. Tuttavia, sostengono che questo sia un buon compromesso. L'obiettivo non è solo essere il miglior calcolatore numerico; è essere spiegabili.

Scomponendo la risposta osso per osso, il sistema permette a un medico di vedere quali ossa stanno causando un ritardo o un anticipo, fornendo un quadro della condizione del paziente molto più chiaro di quanto potrebbe mai fare un singolo numero.

La Funzionalità della "Curva a Campana"

Una delle caratteristiche più uniche di BoneAgeTW2 è il modo in cui visualizza i dati. Per ogni una delle 20 ossa, il sistema disegna una curva a campana. Immaginate un grafico dove la linea orizzontale è l'età e la curva mostra quanto è comune un certo stadio osseo a diverse età.

• Se l'osso del paziente è allo stadio "E", il sistema evidenzia la curva "E".
• Successivamente, disegna una linea verticale per l'età reale del paziente.
• Se la linea è molto a destra rispetto al picco della curva, il medico sa che quell'osso è in "ritardo" (si comporta come se fosse più giovane del paziente).
• Se la linea è a sinistra, l'osso è in "anticipo".

Questo strumento visivo, che di solito viene disegnato a mano o saltato del tutto a causa dei vincoli di tempo, viene generato automaticamente per ogni osso, offrendo una visione ricca e dettagliata della maturazione scheletrica del bambino.

In Conclusione

BoneAgeTW2 è un sistema di prova di concetto che porta il ragionamento dettagliato, tipicamente umano, del metodo Tanner-Whitehouse 2 nell'era digitale. Non sostituisce il radiologo; agisce invece come un potente assistente che svolge il lavoro pesante di trovare le ossa, assegnare i punteggi e disegnare i grafici in pochi secondi. Gli autori sottolineano che questo è uno strumento di supporto alle decisioni che deve comunque essere revisionato da un medico qualificato, specialmente poiché il sistema si basa su dati di addestramento che potrebbero non corrispondere perfettamente a ogni popolazione (come i bambini in Colombia, dove ha origine lo studio).

Sebbene il sistema non sia ancora un dispositivo medico "risolto" pronto per ogni ospedale, dimostra che è possibile automatizzare un complesso protocollo medico manuale mantenendo la logica trasparente. Trasforma un compito di 20 minuti, riservato agli esperti, in un processo di 5 secondi che produce un rapporto così dettagliato che un medico può vedere esattamente come l'IA è giunta alla sua conclusione, osso per osso.