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

Imagine que seu corpo é um canteiro de obras e seus ossos são as vigas de aço sendo erguidas. Enquanto seu aniversário diz quantos anos você está no canteiro de obras, seus ossos têm seu próprio relógio interno, crescendo e endurecendo em seu próprio ritmo. Às vezes, esse relógio biológico corre rápido, às vezes devagar, e os médicos precisam saber a diferença para ajudar crianças com problemas de crescimento ou para entender quanto tempo resta para um adolescente crescer em altura. Por décadas, o "padrão ouro" para verificar este relógio ósseo tem sido um método chamado Tanner-Whitehouse 2 (TW2). É como um mestre de obras inspecionando 20 vigas de aço específicas na mão e no pulso, verificando cada uma para ver se ainda está macia e crescendo ou se está totalmente endurecida. Essa inspeção é incrivelmente detalhada, mas também incrivelmente lenta, levando um especialista humano de 10 a 20 minutos por paciente e, mesmo assim, dois especialistas podem discordar por até um ano.

Agora, conheça uma nova ferramenta digital projetada para acelerar esse processo sem perder o detalhe. Este artigo apresenta o BoneAgeTW2, um sistema de inteligência artificial que atua como um aprendiz de radiologista super-rápido e incansável. Em vez de apenas adivinhar um único número para a idade óssea de uma criança, este sistema imita o processo exato do especialista humano. Ele olha para um raio-X de uma mão, encontra 20 ossos específicos e atribui um estágio de maturidade a cada um, exatamente como um humano faria. Em seguida, ele processa os números para fornecer uma estimativa final da idade, completa com uma margem de confiança e um relatório visual mostrando exatamente como cada osso se compara à média para aquela idade. O objetivo não é apenas ser rápido; é ser transparente, dando aos médicos uma decomposição clara e passo a passo de por que o sistema chegou à sua conclusão, em vez de apenas uma resposta misteriosa de "caixa preta".

O Problema: O Jeito Humano e Lento

Por muito tempo, verificar a idade óssea de uma criança foi um pouco como ler um mapa escrito à mão muito complexo. O método Tanner-Whitehouse 2 (TW2) é o mapa que todos na América Latina e na Europa utilizam. Para lê-lo, um radiologista precisa olhar para um raio-X de uma mão e identificar 20 ossos específicos, desde os longos nos dedos até os pequenos ossos em forma de peça de quebra-cabeça no pulso. Para cada osso, eles precisam decidir em qual "estágio" de maturidade ele está, variando de um estágio inicial e macio (A) até um estágio adulto e totalmente endurecido (I).

Depois de pontuar todos os 20 ossos, eles precisam somar os pontos usando tabelas especiais para obter uma "idade óssea" final. Para dar sentido ao resultado, eles frequentemente desenham curvas em forma de sino (distribuições Gaussianas) para ver se um osso específico está adiantado ou atrasado em relação ao cronograma. O problema? Todo esse processo leva de 10 a 20 minutos por paciente. Requer anos de treinamento e, como é tão manual, dois médicos diferentes podem dar respostas diferentes para o mesmo raio-X, às vezes com uma diferença de até 12 meses. Embora existam algumas ferramentas comerciais que podem adivinhar uma idade óssea, elas são caras, de código fechado (você não consegue ver como funcionam) e geralmente apenas entregam um único número sem mostrar o trabalho por trás dele.

A Solução: BoneAgeTW2

Os autores deste artigo construíram o BoneAgeTW2, um sistema de código aberto que automatiza todo o fluxo de trabalho do TW2. Pense nisso como uma linha de montagem digital que recebe um raio-X de um lado e entrega um relatório clínico completo em menos de 5 segundos.

Aqui está como a máquina funciona, passo a passo:

1. A Configuração: Primeiro, o sistema limpa a imagem do raio-X. Ele verifica o arquivo digital para ver se a imagem está ampliada (como uma foto tirada muito perto de uma janela) e corrige o tamanho automaticamente. Ele também inverte a imagem se for uma mão direita, garantindo que o computador sempre olhe para uma visão de "mão esquerda", exatamente como seus dados de treinamento.
2. Encontrando os Ossos: Usando um detector inteligente chamado YOLOv8, o sistema caça os 20 ossos específicos na mão. Ele desenha uma caixa ao redor de cada um, agindo como um marcador de texto destacando os pontos que o radiologista precisa verificar.
3. A Classificação: Esta é a parte difícil. O sistema precisa saber em qual estágio (A através de I) cada osso está. Como os dados de treinamento não tinham rótulos para cada estágio de cada osso individualmente, os autores usaram um truque inteligente chamado "pseudo-rotulagem" (pseudo-labeling). Eles usaram a idade óssea conhecida do paciente para adivinhar o estágio mais provável para cada osso, criando um conjunto de treinamento. Em seguida, treinaram um modelo de aprendizado profundo (EfficientNet-B3) com 20 "cabeças" diferentes, onde cada cabeça é especialista em apenas um osso específico.
4. A Pontuação: Uma vez que o sistema possui um estágio para cada osso, ele soma os pontos exatamente de acordo com as regras oficiais do TW2. Ele calcula uma pontuação para os ossos longos (RUS) e para os ossos do pulso (Carpal).
5. O Relatório: Finalmente, ele gera um relatório completo. Isso não é apenas um número. Inclui uma imagem anotada mostrando as 20 caixas, uma tabela com a pontuação de cada osso e — esta é a parte legal — curvas de sino interativas. Essas curvas mostram ao médico exatamente onde o osso do paciente se situa em comparação com a população média. Se um osso estiver atrasado, o médico pode ver a curva culminando muito à esquerda da idade real do paciente.

O Que o Sistema Alcança (e o Que Não Alcança)

O artigo apresenta o BoneAgeTW2 como um sistema que automatiza com sucesso todo o processo TW2, desde a imagem bruta até um relatório PDF para download. O sistema foi projetado para rodar em hardware de computador padrão (CPU) em menos de 5 segundos, ou até mais rápido em uma placa de vídeo (GPU).

Os autores são cuidadosos ao gerenciar as expectativas em relação à precisão. Eles reconhecem que, como o sistema é forçado a seguir as regras rígidas e passo a passo do método TW2 (que usa estágios discretos como A, B, C), ele pode não ser tão matematicamente preciso quanto alguns sistemas de IA de "caixa preta" que apenas adivinham um número diretamente. De fato, eles esperam que seu sistema tenha uma margem de erro (Erro Absoluto Médio) ligeiramente maior do que esses modelos de IA mais simples. No entanto, eles argumentam que este é um bom comprompor. O objetivo não é apenas ser o calculista mais preciso; é ser explicável.

Ao decompor a resposta osso por osso, o sistema permite que um médico veja quais ossos estão causando um atraso ou um avanço. Se a idade óssea de uma criança for baixa, o médico pode olhar para o relatório e ver: "Ah, o rádio está no estágio F, mas a ulna está no estágio E", dando a ele uma imagem muito mais clara da condição do paciente do que um único número jamais poderia dar.

O Recurso da "Curva de Sino"

Um dos recursos mais únicos do BoneAgeTW2 é como ele visualiza os dados. Para cada um dos 20 ossos, o sistema desenha uma curva de sino. Imagine um gráfico onde a linha horizontal é a idade e a curva mostra quão comum é um certo estágio ósseo em diferentes idades.

• Se o osso do paciente está no estágio "E", o sistema destaca a curva "E".
• Em seguida, ele desenha uma linha vertical para a idade real do paciente.
• Se a linha estiver muito à direita do pico da curva, o médico sabe que esse osso está "atrasado" (ele está agindo de forma mais jovem do que o paciente realmente é).
• Se a linha estiver à esquerda, o osso está "avançado".

Esta ferramenta visual, que geralmente é desenhada à mão ou ignorada devido às restrições de tempo, é gerada automaticamente para cada osso, proporcionando uma visão rica e detalhada da maturidade esquelética da criança.

A Conclusão

O BoneAgeTW2 é um sistema de prova de conceito que traz o raciocínio detalhado e humano do método Tanner-Whitehouse 2 para a era digital. Ele não substitui o radiologista; em vez disso, atua como um assistente poderoso que realiza o trabalho pesado de encontrar ossos, pontuar e desenhar os gráficos em segundos. Os autores enfatizam que este é um sistema de suporte à decisão que ainda deve ser revisado por um médico qualificado, especialmente porque o sistema depende de dados de treinamento que podem não corresponder perfeitamente a todas as populações (como as crianças na Colômbia, onde o estudo se originou).

Embora o sistema ainda não seja um dispositivo médico "resolvido" pronto para todos os hospitais, ele demonstra que é possível automatizar um protocolo médico complexo e manual mantendo a lógica transparente. Ele transforma uma tarefa de 20 minutos, exclusiva de especialistas, em um processo de 5 segundos que produz um relatório tão detalhado que um médico pode ver exatamente como a IA chegou à sua conclusão, osso por osso.