在青春期使用横侧肘放射和深度学习模型进行骨骨年龄评估

科学领域:

• 儿科放射学 儿科放射学
• 人工智能在医学中的应用
• 骨的发育 骨的发育

背景情况:

• 准确的青春期骨龄 (BA) 评估对于评估生长和内分泌疾病至关重要.
• 传统的BA评估方法,特别是那些使用手部放射图的方法,在精度和适用性方面存在局限性.
• 肘部放射能为BA评估提供了一个潜在的替代方案,但缺乏标准化的方法.

研究的目的:

• 开发一个精确和实用的肘部BA分类系统,利用olecranon骨化中心.
• 创建一个深度学习的人工智能 (AI) 模型,用于自动化BA评估.
• 与既有技术相比,评估新型olecranon BA方法和AI模型的性能和可靠性.

主要方法:

• 对3508张18岁以下儿童的侧侧肘X射线图进行了回顾性分析.
• 基于青春期的形态变化开发了一种新的BA分类.
• 通过使用类内相关系数 (ICCs) 将olecranon BA与其他肘部和手部 BA方法进行比较.
• 开发和外部验证一个深度学习人工智能模型 (EfficientDet-b4),用于olecranon BA的确定.

主要成果:

• 奥莱克兰的BA分类显示出100%的适用性和优秀的观察者间一致性 (ICC 0.993).
• 在olecranon BA和已建立的方法如Sauvegrain,Dimeglio和韩国标准 (KS) 手动BA之间观察到高可靠性.
• 对于olecranon BA,AI模型实现了高精度 (0.96) 和特异性 (0.98),外部验证显示0.86精度和0.91特异性.

结论:

• 使用单个横侧肘放射图的olecranon BA评估,提供了卓越的适用性和观察者之间的协议.
• 这种方法与现有的肘部和手工BA评估技术相比,具有很好的可靠性.
• 开发的AI模型显示出高性能,使得olecranon BA成为青春期BA评估的实用和准确工具.