追溯临床试验,以评估使用深度神经网络系统训练的基于Tanner-Whitehouse的新骨质年龄评估算法的有效性
Meesun Lee1, Young-Hun Choi1,2, Seul-Bi Lee1,2
1Department of Radiology, Seoul National University Hospital, 101 Daehak-ro, Jongno-gu, Seoul 03080, Republic of Korea.
Diagnostics (Basel, Switzerland)
|May 1, 2025
概括
一个人工智能模型使用坦纳-怀特豪斯 (TW3) 方法准确地预测骨龄,显示了协助儿科放射科医生的潜力. 这种自动化的深度学习方法提供了标准化的测量,减少了工作量并帮助临床决策.
科学领域:
- 医疗成像医学成像
- 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.
- 传统方法依赖于放射科医生手和手腕放射图的手动解释,这可能是耗时和主观的.
- 深度学习为自动化骨年龄预测提供了一个潜在的解决方案.
研究的目的:
- 开发和评估用于骨年龄预测的自动深度学习模型.
- 使用坦纳-怀特豪斯 (TW3) 方法,将模型的性能与儿科放射科医生进行比较.
主要方法:
- 使用了560名韩国儿童手和手腕放射图的数据集.
- 商业化的人工智能解决方案采用了旋转单拍多盒探测器 (SSD) 和EfficientNet-B0.
- 模型预测与三个儿科放射科医生的评估进行了比较,使用对联t测试,线性回归和布兰德-阿尔特曼分析.
主要成果:
- 深度学习模型与放射科医生的评估显示出强烈的线性相关性 (r2 = 0.977).
- 该模型实现了0.529年的根平均平方误差 (RMSE) 和0.388年的平均绝对误差 (MAE).
- 82.3%的模型的骨年龄预测在放射科医生的解释0.6年之内.
结论:
- 基于深度学习的自动骨年龄评估是可行的,与专家放射科医生可比.
- 人工智能模型表明,它有可能减少放射科医生的工作量.
- 通过人工智能的标准化骨龄测量,可以支持儿科护理的临床决策.
