Radiologia pediatrica e valutazione dell'età ossea: dalla tecnica radiografica alle applicazioni cliniche

Abstract

Questo elaborato analizza la valutazione dell’età ossea in ambito pediatrico, ripercorrendo i principali metodi radiologici tradizionali e le più recenti applicazioni dell’Intelligenza Artificiale, con particolare attenzione al software BoneXpert. Nella prima parte vengono descritti i concetti di età ossea e maturità scheletrica, i diversi distretti anatomici utilizzabili (mano-polso, clavicola, bacino, ginocchio, carpo) e i metodi classici di riferimento, quali gli atlanti di Greulich & Pyle e Tanner-Whitehouse, evidenziandone vantaggi, limiti e variabilità intra- e inter-osservatore.

Successivamente viene introdotta l’Intelligenza Artificiale, con cenni ai principi di machine learning e deep learning e alle principali applicazioni in medicina e in radiologia, dove l’AI supporta l’interpretazione delle immagini, l’ottimizzazione dei flussi di lavoro e la riduzione degli errori.

La parte centrale della tesi è dedicata a BoneXpert, sistema completamente automatizzato per la stima dell’età ossea da radiografia della mano. Ne vengono illustrati il funzionamento, l’architettura a più livelli per l’analisi dell’immagine, le prestazioni in termini di accuratezza e riproducibilità, il confronto con i metodi tradizionali e le potenzialità aggiuntive, come il calcolo dell’indice di salute ossea (BHI).

Infine, attraverso la discussione di casi clinici e delle prospettive future (inclusi nuovi software come Milvue), il lavoro evidenzia come l’integrazione tra competenza radiologica e strumenti di AI possa migliorare qualità diagnostica, standardizzazione e appropriatezza nell’iter clinico dei pazienti pediatrici, pur richiedendo attenzione agli aspetti etici, legali e di gestione dei dati.

This thesis analyzes the assessment of bone age in pediatric patients, reviewing the main traditional radiological methods and the most recent applications of Artificial Intelligence, with particular focus on the BoneXpert software. The first part describes the concepts of bone age and skeletal maturity, the different anatomical regions that can be used (hand–wrist, clavicle, pelvis, knee, carpus), and the classical reference methods such as the Greulich & Pyle and Tanner-Whitehouse atlases, highlighting their advantages, limitations, and intra- and inter-observer variability.

Subsequently, Artificial Intelligence is introduced, with an overview of the principles of machine learning and deep learning and the main applications in medicine and radiology, where AI supports image interpretation, workflow optimization, and error reduction.

The central part of the thesis is devoted to BoneXpert, a fully automated system for estimating bone age from hand radiographs. Its operating principles, multi-level image analysis architecture, performance in terms of accuracy and reproducibility, comparison with traditional methods, and additional capabilities such as the calculation of the Bone Health Index (BHI) are illustrated.

Finally, through the discussion of clinical cases and future perspectives (including new software such as Milvue), the work shows how the integration between radiological expertise and AI tools can improve diagnostic quality, standardization, and appropriateness in the clinical management of pediatric patients, while still requiring careful consideration of ethical, legal, and data management issues.