基于人工智能的骨年龄评估工具与Greulich-Pyle和Tanner-Whitehouse版本2方法在儿科队列中的概念验证比较
Luca Marinelli1, Antonio Lo Mastro2, Francesca Grassi2
1Department of Precision Medicine, University of Campania, Luigi Vanvitelli, Piazza Miraglia 2, 80138, Naples, Italy. mariner189@gmail.com.
Pediatric radiology
|September 25, 2025
概括
人工智能 (AI) 用于骨年龄评估的准确性与格鲁利希-皮尔 (GP) 方法相提并论,并且表现优于坦纳-怀特豪斯版本2 (TW2). 这种人工智能工具可以提高评估儿科生长障碍的一致性.
科学领域:
- 儿科内分泌学 儿科内分泌学
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 骨龄评估对于诊断儿科生长障碍至关重要.
- 人工智能 (AI) 提供了在骨年龄评估中提高准确性和可重现性的潜力.
- 传统的方法包括格鲁利希-皮尔 (GP) 地图和坦纳-怀特豪斯版本2 (TW2).
研究的目的:
- 将人工智能软件 (BoneView) 的性能与人类评估的GP和TW2方法进行骨龄估计的比较.
- 这项研究旨在评估AI在儿科骨龄评估中的准确性和可靠性.
主要方法:
- 一项概念验证研究分析了157张儿科手和手腕放射图.
- 方法包括基于AI的评估 (BoneView),放射科医生评估的GP,以及使用TW2.2评估的子集.
- 性能指标是平均绝对误差 (MAE),根平均平方误差 (RMSE),偏差和与时间年龄的相关性.
主要成果:
- 人工智能实现了1.38年的平均绝对误差 (MAE),与GP方法 (1.30年) 相比,优于TW2 (2.86年).
- 人工智能显示出最小的偏差 (-0.05年) 和与时间年龄 (r=0.857) 的强烈相关性.
- 全科医生方法也显示出强烈的相关性 (r=0.894),而TW2则具有较弱的相关性 (r=0.490) 和显著的低估偏差 (-2.63年).
结论:
- 在这个儿科队列中,BoneView AI的准确性与全科医生方法相当,并且在TW2中表现优于TW2.
- 基于人工智能的系统显示出增强儿科骨年龄估计一致性的前景.
- 人工智能工具的进一步验证是必要的,特别是在不同种族的人口中.
