在韩国儿科人口中使用人工智能进行骨年龄评估:比较深度学习模型,使用健康的时间和格雷利希-皮尔年龄作为标签进行训练
Pyeong Hwa Kim1, Hee Mang Yoon2, Jeong Rye Kim3
1Department of Radiology and Research Institute of Radiology, Asan Medical Center, University of Ulsan College of Medicine, Seoul, Republic of Korea.
Korean journal of radiology
|October 30, 2023
概括
一个针对韩国儿童优化的骨年龄预测的新深度学习模型显示,与基于Greulich-Pyle的模型相比,其准确性得到了改进. 这种韩国模型为儿科患者提供了更精确的骨年龄评估.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 儿科内分泌学 儿科内分泌学
背景情况:
- 准确的骨龄评估对于评估儿童和青少年的生长和发育至关重要.
- 现有的骨年龄预测深度学习模型可能无法针对特定种族群体进行优化.
- 格鲁利希-皮尔 (Greulich-Pyle,GP) 方法是骨年龄评估的广泛使用的标准.
研究的目的:
- 开发和评估一个深度学习模型来预测骨年龄,专门为韩国儿童和青少年量身定制.
- 为了比较这个新鲜的韩国模型的性能与基于Greulich-Pyle标准的深度学习模型.
主要方法:
- 在21 036张韩国儿童和青少年的手部放射图上训练了一个卷积神经网络.
- 该模型 (韩国模型) 使用时间表年龄作为标签.
- 使用平均绝对误差 (MAE),根平均平方误差 (RMSE) 和在特定时间范围内预测准确度来评估性能,并将其与基于商业GP的模型进行比较.
主要成果:
- 与基于GP的模型相比,韩国模型在一个外部数据集中显示出明显较低的RMSE (11.2 vs. 13.8个月) 和MAE (8.2 vs. 10.5个月) 与基于GP的模型相比.
- 它还显示了18个月内预测的比例更高 (88.3%与82.2%相比).
- 在第二个数据集中,韩国模型具有较低的MAE (9.5vs11.0个月) 和在6个月内更高比例的预测 (44.5%vs36.4%).
结论:
- 在韩国儿科数据上训练的深度学习模型在韩国人口的骨年龄评估中表现优于基于GP的模型.
- 这些发现表明,种族特定的优化可以提高基于人工智能的骨年龄预测的准确性.
- 建议进一步验证以确认该模型的临床准确性.
