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

Stel je voor dat je lichaam een bouwplaats is, en dat je botten de stalen balken zijn die worden opgericht. Terwijl je verjaardag je vertelt hoeveel jaar je al op de bouwplaats aan het werk bent, hebben je botten hun eigen interne klok; ze groeien en verharden in hun eigen tempo. Soms loopt deze biologische klok snel, soms langzaam, en artsen moeten het verschil weten om kinderen met groeiproblemen te helpen of om te begrijpen hoeveel tijd er nog rest voor een tiener om langer te worden. Decennialang is de "gouden standaard" voor het controleren van deze botklok een methode geweest genaamd Tanner-Whitehouse 2 (TW2). Het is als een meesterbouwer die 20 specifieke stalen balken in de hand en pols inspecteert, waarbij hij elke balk controleert om te zien of deze nog zacht en groeiend is of dat deze volledig is uitgehard. Deze inspectie is ongelooflijk gedetailleerd, maar ook ongelooflijk traag, waarbij een menselijke expert 10 tot 20 minuten per patiënt nodig heeft, en zelfs dan kunnen twee experts het oneens zijn met een verschil van wel een jaar.

Maak kennis met een nieuw digitaal hulpmiddel, ontworpen om dit proces te versnellen zonder het detail te verliezen. Dit artikel introduceert BoneAgeTW2, een kunstmatige intelligentie-systeem dat fungeert als een supersnelle, onvermoeibare assistent-radioloog. In plaats van alleen een enkel getal te raden voor de botleeftijd van een kind, bootst dit systeem exact het proces van de menselijke expert na. Het bekijkt een röntgenfoto van een hand, vindt 20 specifieke botten en wijst aan elk bot een volwassenheidsfase toe, precies zoals een mens dat zou doen. Vervolgens verwerkt het de cijfers om een definitieve leeftijdschatting te geven, inclusief een betrouwbaarheidsbereik en een visueel rapport dat precies laat zien hoe elk bot zich verhoudt tot het gemiddelde voor die leeftijd. Het doel is niet alleen om snel te zijn; het doel is om transparant te zijn, door de arts een duidelijke, stapsgewijze uitleg te geven over waarom het systeem tot zijn conclusie is gekomen, in plaats van een mysterieus "black-box" antwoord.

Het Probleen: De Trage, Menselijke Manier

Het controleren van de botleeftijd van een kind is lange tijd een beetje geweest als het lezen van een zeer complexe, handgeschreven kaart. De Tanner-Whitehouse 2 (TW2) methode is de kaart die iedereen in Latijns-Amerika en Europa gebruikt. Om deze te lezen, moet een radioloog een röntgenfoto van een hand bekijken en 20 specifieke botten identificeren, van de lange botten in de vingers tot de kleine, puzzelstukvormige botjes in de pols. Voor elk bot moet de radioloog bepalen in welke "fase" van volwassenheid het zich bevindt, variërend van een zachte, vroege fase (A) tot een volledig uitgeharde, volwassen fase (I).

Zodra ze alle 20 botten hebben gescoord, moeten ze de punten optellen met behulp van speciale tabellen om een definitieve "botleeftijd" te krijgen. Om de resultaten in perspectief te plaatsen, tekenen ze vaak klokvormige curves (Gaussiaanse verdelingen) om te zien of een specifiek bot voorloopt op schema of achterloopt. Het probleem? Dit hele proces duurt 10 tot 20 minuten per patiënt. Het vereist jarenlange training, en omdat het zo handmatig is, kunnen twee verschillende artsen voor dezelfde röntgenfoto verschillende antwoorden geven, soms met een verschil van wel 12 maanden. Hoewel er commerciële tools bestaan die een botleeftijd kunnen raden, zijn deze duur, "closed-source" (je kunt niet zien hoe ze werken) en geven ze meestal gewoon één getal zonder de berekening erachter te tonen.

De Oplossing: BoneAgeTW2

De auteurs van dit artikel hebben BoneAgeTW2 gebouwd, een open-source systeem dat de volledige TW2-workflow automatiseert. Zie het als een digitale lopende band die een röntgenfoto aan de ene kant invoert en er in minder dan 5 seconden een volledig klinisch rapport uit laat komen.

Zo werkt de machine, stap voor stap:

1. De Opstelling: Eerst reinigt het systeem de röntgenfoto. Het controleert het digitale bestand om te zien of de afbeelding vergroot is (zoals een foto die te dicht bij een raam is genomen) en corrigeert de grootte automatisch. Het draait de afbeelding ook om als het een rechterhand is, zodat de computer altijd naar een "linkerhand"-weergave kijùkt, net als de trainingsdata.
2. Het Vinden van de Botten: Met behulp van een slimme detector genaamd YOLOv8, zoekt het systeem de 20 specifieke botten in de hand. Het trekt een kader rond elk bot, wat werkt als een markeerstift die de plekken aangeeft die de radioloog moet controleren.
3. De Classificatie: Dit is het lastige deel. Het systeem moet weten in welke fase (A tot en met I) elk bot zich bevindt. Omdat de trainingsdata niet gelabeld was voor elke specifieke fase van elk bot, gebruikten de auteurs een slimme truc genaamd "pseudo-labeling". Ze gebruikten de bekende botleeftijd van de patiënt om de meest waarschijnlijke fase voor elk bot te voorspellen, waardoor een trainingsset werd gecreëerd. Vervolgens trainden ze een deep learning-model (EfficientNet-B3) met 20 verschillende "koppen", waarbij elke kop een expert is op slechts één specifiek bot.
4. De Scoring: Zodra het systeem een fase heeft voor elk bot, telt het de punten op exact volgens de officiële TW2-regels. Het berekent een score voor de lange botten (RUS) en de polsbotjes (Carpal).
5. Het Rapport: Ten slotte genereert het een volledig rapport. Dit is niet zomaar een getal. Het bevat een geannoteerde afbeelding met de 20 kaders, een tabel met de score voor elk afzonderlijk bot, en — dit is het bijzondere deel — interactieve klokvormige curves. Deze curves laten de arts precies zien waar het bot van de patiënt zich bevindt ten opzichte van het gemiddelde van de populatie. Als een bot achterloopt, kan de arts zien dat de curve ver naar links van de werkelijke leeftijd van de patiënt piekt.

Wat het Systeem Bereikt (en Wat Niet)

Het artikel presenteert BoneAgeTW2 als een systeem dat er succesvol in is geslaagd de volledige TW2-workflow te automatiseren, van ruwe afbeelding tot downloadbaar PDF-rapport. Het systeem is ontworpen om op standaard computerhardware (CPU) te draaien in minder dan 5 seconden, of zelfs sneller op een grafische kaart (GPU).

De auteurs zijn voorzichtig in het managen van de verwachtingen met betrekking tot de nauwkeurigheid. Ze erkennen dat, omdat het systeem gedwongen wordt de strikte, stapsgewijze regels van de TW2-methode te volgen (die discrete fasen zoals A, B, C gebruikt), het mogelijk niet zo wiskundig precies is als sommige "black box" AI-systemen die direct een getal raden. Sterker nog, ze verwachten dat hun systeem een iets hogere foutmarge (Mean Absolute Error) zal hebben dan die simpelere AI-modellen. Ze beargumenteren echter dat dit een goede afweging is. Het doel is niet alleen om de meest nauwkeurige rekenmachine te zijn; het doel is om uitlegbaar te zijn.

Door het antwoord op te splitsen per bot, stelt het systeem een arts in staat om te zien welke botten een vertraging of een voorsprong veroorzaken. Als de botleeftijd van een kind laag is, kan de arts het rapport bekijken en zien: "Ah, de radius is in fase F, maar de ulna is in fase E," wat een veel duidelijker beeld geeft van de conditie van de patiënt dan een enkel getal ooit zou kunnen.

De "Klokvormige Curve" Functie

Een van de meest unieke kenmerken van BoneAgeTW2 is hoe het de gegevens visualiseert. Voor elk van de 20 botten tekent het systeem een klokvormige curve. Stel je een grafiek voor waarbij de horizontale lijn de leeftijd is en de curve laat zien hoe gebruikelijk een bepaalde botfase is op verschillende leeftijden.

• Als het bot van de patiënt in fase "E" is, markeert het systeem de "E"-curve.
• Het tekent vervolgens een verticale lijn voor de werkelijke leeftijd van de patiënt.
• Als de lijn ver naar rechts van de piek van de curve staat, weet de arts dat dit bot "vertraagd" is (het gedraagt zich jonger dan de patiënt werkelijk is).
• Als de lijn naar links staat, is het bot "vooruitgelopen".

Dit visuele hulpmiddel, dat normaal gesproken met de hand wordt getekend of vanwege tijdsgebrek volledig wordt overgeslagen, wordt automatisch voor elk bot gegenereerd, wat een rijk en gedetailleerd beeld geeft van de skeletale volwassenheid van het kind.

De Kern van het Verhaal

BoneAgeTW2 is een proof-of-concept systeem dat de gedetailleerde, menselijke redenering van de Tanner-Whitehouse 2 methode naar het digitale tijdperk brengt. Het vervangt de radioloog niet; in plaats daarvan fungeert het als een krachtige assistent die het zware werk doet van het vinden van botten, het scoren en het tekenen van de grafieken in enkele seconden. De auteurs benadrukken dat dit een hulpmiddel is voor besluitvorming dat nog steeds moet worden beoordeeld door een gekwalificeerde arts, vooral omdat het systeem steunt op trainingsdata die mogelijk niet perfect overeenkomt met elke populatie (zoals de kinderen in Colombia, waar de studie vandaan kwam).

Hoewel het systeem nog geen "opgelost" medisch apparaat is dat klaar is voor elk ziekenhuis, demonstreert het dat het mogelijk is om een complex, handmatig medisch protocol te automatiseren terwijl de logica transparant blijft. Het verandert een 20 minuten durende, alleen voor experts toegankelijke taak in een proces van 5 seconden dat een rapport oplevert dat zo gedetailleerd is, dat een arts precies kan zien hoe de AI tot zijn conclusie is gekomen, bot voor bot.