È possibile rendere automatico il processo di identificazione dei punti di riferimento necessari per eseguire una osteotomia o una artroplastica, così da ridurre al minimo l’impatto cdell’esperienza del chirurgo? Questa è la proposta di un team di ricerca dell’Università di Teheran e della Clinica di radiologia ed ecografia Rad della stessa capitale iraniana.
In particolare, i ricercatori presentano un sistema basato su reti neurali convoluzionali (CNN) capace di utilizzare le immagini delle radiografie come punto di partenza per indicare le coordinate dei punti di riferimento da utilizzare per ogni singolo paziente.
Il sistema è stato sottoposto a valutazione e i risultati sono pubblicati su BMC Musculoskeletal Disorders.
La fase di sviluppo dell’algoritmo
Che si tratti di una osteotomia o di una artroplastica, la giusta definizione dei punti di riferimento da utilizzare in sala operatoria è essenziale per raggiungere un buon risultato clinico.
Nel caso dell’artroplastica ciò può anche inficiare il buon allineamento della protesi con l’arto nativo del paziente, il che si traduce spesso in dolore permanente, difficile recupero funzionale ed eventuale necessita di revisione dell’intervento.
L’algoritmo proposto dal team iraniano è stato allenato con le immagini radiografiche DICOM ad alta risoluzione incluse nel dataset pubblico della Clinica Rud, nel quale sono incluse immagini relative a diverse tipologie di deformità degli arti inferiori.
Per lo sviluppo dell’algoritmo di CNN gli autori hanno utilizzato, in particolare, immagini relative a 426 pazienti, 73 dei quali hanno subito una artroplastica di ginocchio, 54 una osteotomia e 2 una artroplastica di anca. 291 pazienti portano deformità degli arti inferiori che non sono state ancora trattate.
L’approccio utilizzato per realizzare l’algoritmo è di tipo piramidale: lo strumento utilizzato è la piramide gaussiana che porta a un sistema di matrici 64×64 che definisce la posizione del punto di riferimento.
L’allenamento dell’algoritmo è partito con una localizzazione del primo punto di riferimento casuale, basata su una normale distribuzione di punti di repere usata in sala operatoria.
In questo modo gli autori hanno sviluppato 13 network indipendenti, uno per punto di repere. Vediamo ora i risultati della valutazione effettuata, che riguardano l’accuratezza delle coordinate fornite, in millimetri, l’accuratezza degli angoli indicati, in gradi, e l’accuratezza della classe assegnata a ogni caso.
I risultati
Secondo lo studio, il metodo sviluppato permetterebbe di individuare i punti di riferimento in modo più preciso e accurato rispetto ai metodi già in uso. La media di errore assoluto calcolata per l’individuazione delle coordinate dei punti di riferimento è infatti di 0.79 ± 0.57 mm, mentre la media di errore dell’angolo è di 0.45 ± 0.42°. In entrambi i casi la media di errore è stata valutata come confronto tra i punti individuati dal sistema automatico rispetto a quello manuale.
Inoltre, l’algoritmo sembrerebbe capace di individuare anche la presenza di un malallineamento delle componenti degli arti inferiori, se usato su una immagine di raggi X completa.
Rostamian, R., Panahi, M.S., Karimpour, M. et al. Automatic assessment of lower limb deformities using high-resolution X-ray images. BMC Musculoskelet Disord 26, 521 (2025). https://doi.org/10.1186/s12891-025-08784-9
