自动骨龄评估:一项土耳其人口研究
Samet Öztürk1, Murat Yüce2, Gül Gizem Pamuk3
1Esenler Obstetrics & Gynecology and Pediatrics Hospital, Clinic of Radiology, İstanbul, Türkiye.
Diagnostic and interventional radiology (Ankara, Turkey)
|March 17, 2025
概括
这项研究为土耳其人口开发了一种使用深度学习的自动骨年龄评估 (BAA) 模型,与传统方法相比,显示出有希望的准确性和效率.
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:
- 传统的骨质年龄评估 (BAA) 方法,如Greulich和Pyle地图集,由于人口变化和观察者主观性而存在局限性.
- 使用深度学习的自动化BAA提供了提高速度和一致性的潜力,但跨多种群体的研究是有限的.
研究的目的:
- 在土耳其人群中评估BAA深度学习算法的性能.
- 通过调查人口因素和数据异质性的影响来增强骨龄模型.
主要方法:
- 经过修改的InceptionV3深度学习模型使用来自土耳其队列 (Bağcılar医院) 的2,730张手部放射图进行了训练和验证,并与公共数据集 (RSNA,RHPE) 结合起来.
- 该模型处理了500 × 500像素的图像,并根据验证集中最低平均绝对误差 (MAE) 选择了表现最好的模型.
- 总共分析了19387张X射线图,其中546张被随机分为内部测试.
主要成果:
- 组合模型实现了高准确性,在内部测试组中的94%情况下,在24个月内估计骨年龄.
- 平均绝对误差 (MAE) 总体为9.2个月,公共测试组为7个月,土耳其 (Bağcılar) 内部测试数据为11.5个月.
- 仅在土耳其数据上训练的模型的MAE为12.7个月,与土耳其数据集上的组合模型相比没有显著差异 (P > 0.05),而仅在公共模型上的表现明显差 (MAE为16.5个月,P < 0.05).
结论:
- 使用深度学习成功开发了纳入土耳其人口的自动化BAA模型,解决了当前研究中的差距.
- 该模型在临床环境中证明了其有效性,为传统,耗时的BAA方法提供了可靠和高效的替代方案.
- 持续的数据积累和各种数据集的整合可以进一步完善模型的准确性,改善临床决策和患者护理.
