تطوير أداة ذكاء اصطناعي لدعم القرار السريري في تقييم النضج العظمي باستخدام الفقرات الرقبية Developing an AI-Driven Clinical Decision Support Tool for Skeletal Maturity Assessment via Cervical Vertebral Analysis

الملخص

يُعدّ تقييم النضج العظمي من الخطوات الجوهرية في تخطيط المعالجة التقويمية، لا سيما عند اتخاذ قرار توقيت استخدام الأجهزة الوظيفية لتصحيح سوء إطباق الصنف الثاني الهيكلي. وتعتمد الطرق التقليدية لتقييم النضج العظمي، كصورة اليد والمعصم الشعاعية وطريقة تحليل نضج الفقرات الرقبية (CVM) — على التقييم البصري الذاتي، مما يُفضي إلى تباين ملحوظ بين الأخصائيين وعند تكرار التقييم من قبل الأخصائي الواحد، ويُضعف موثوقية القرار السريري المبني عليها.

هدفت هذه الدراسة إلى تطوير نموذج تصنيف قائم على الذكاء الاصطناعي باستخدام الشبكات العصبية الالتفافية (CNN)، وتحديداً بنية EfficientNet-B2، لتصنيف مراحل النضج الفقري العنقي تلقائياً من الصور السيفالومترية الجانبية. اعتمدت الدراسة على قاعدة بيانات "Aariz" السيفالومترية المرجعية التي تضم 1000 صورة شعاعية لمرضى تتراوح أعمارهم بين 12 و62 عاماً، وقد صُنّفت كل صورة وفق منهجية Baccetti المعيارية إلى ست مراحل متتالية (CS1–CS6). طُوِّر نموذجان تصنيفيان مكمّلان: الأول سداسي يصنّف المراحل الست كاملة، والثاني ثلاثي يدمج المراحل في ثلاث مجموعات ذات دلالة سريرية مباشرة (ما قبل الذروة CS1–CS2، الذروة CS3–CS4، ما بعد الذروة CS5–CS6).

أظهرت النتائج أن النموذج السداسي حقق دقة كلية بلغت 53% وكابا مرجحة 0.60 ومساحة AUC بلغت 0.870. في المقابل، حقق النموذج الثلاثي أداءً متفوقاً بشكل واضح بدقة كلية 81%، ومعيار F1 كلي 0.80، وكابا مرجحة 0.72، ومساحة AUC بلغت 0.919، مع قدرة تمييزية استثنائية لمجموعة ما قبل الذروة (AUC = 1.00) ومجموعة ما بعد الذروة (AUC = 0.90). أكدت خرائط التركيز (Grad-CAM) أن النموذج يركّز فعلياً على أجسام الفقرات العنقية وحدودها السفلية. تؤكد النتائج أن النموذج الثلاثي يمثل أداة مساندة سريرية واعدة قادرة على تقديم تقييم موضوعي وسريع للنضج العظمي.