人工智能与专家Greulich-Pyle图谱法骨龄评估的一致性比较

doi:10.12307/2024.466

中国组织工程研究 ›› 2024, Vol. 28 ›› Issue (28): 4436-4440.doi: 10.12307/2024.466

• 骨组织构建 bone tissue construction • 上一篇下一篇

人工智能与专家Greulich-Pyle图谱法骨龄评估的一致性比较

李磊1，潘其乐1，蔡广1，李志朋1，2

1上海体育科学研究所(上海市反兴奋剂中心)，上海市 200030；2上海市黄浦区体育事业发展指导中心，上海市 200020

收稿日期:2023-08-14 接受日期:2023-09-11 出版日期:2024-10-08 发布日期:2023-11-27
通讯作者: 李志朋，硕士，副研究员，上海体育科学研究所(上海市反兴奋剂中心)，上海市 200030；上海市黄浦区体育事业发展指导中心，上海市 200020
作者简介:李磊，男，1981年生，江苏省徐州市人，汉族，2005年上海体育大学(原上海体育学院)毕业，助理研究员，主要从事青少年生长发育、反兴奋剂教育研究。

Consistency between artificial intelligence and expert Greulich-Pyle atlas method for bone age assessment

Li Lei1, Pan Qile1, Cai Guang1, Li Zhipeng1, 2

1Shanghai Research Institute of Sports Science (Shanghai Anti-doping Agency), Shanghai 200030, China; 2Shanghai Huangpu District Sports Development Guidance Center, Shanghai 200020, China

Received:2023-08-14 Accepted:2023-09-11 Online:2024-10-08 Published:2023-11-27
Contact: Li Zhipeng, Master, Associate researcher, Shanghai Research Institute of Sports Science (Shanghai Anti-doping Agency), Shanghai 200030, China; Shanghai Huangpu District Sports Development Guidance Center, Shanghai 200020, China
About author:Li Lei, Assistant researcher, Shanghai Research Institute of Sports Science (Shanghai Anti-doping Agency), Shanghai 200030, China

摘要/Abstract

摘要：

文题释义：

骨龄：是骨骼年龄的简称，需要借助于骨骼在X射线摄像中的特定图像来确定。通常要拍摄人左手手腕部的X射线片，通过X射线片观察左手掌指骨、腕骨及桡尺骨远端的骨化中心的发育程度来确定骨龄。目前在国内医学和体育领域有3种骨龄评估方法较为广泛应用，分别为Greulich-Pyle图谱法(GP法)、CHN计分法(CHN法)、中华05法。
Greulich-Pyle图谱法：简称GP法，该方法以其研制者Greulich W.W.和Pyle S.I.两位研究专家命名，图谱有58张标准片，其中男子31张标准片，女子27张标准片，临床医生在评估时把患者左手的骨龄片与标准片进行比较，最相近的标准片的骨龄值为患者的骨龄，如无最相近的标准片，将采用插入法，取2张标准片中间值作为患者骨龄。

背景：人工智能骨龄评估已成为研究热点，国内外研究表明人工智能技术在医学影像领域发展迅速，为更准确快速的对骨龄进行评估提供了可能。

目的：探讨人工智能Greulich-Pyle (智能GP)图谱骨龄评估系统与人工专家Greulich-Pyle(专家GP)图谱评估结果的一致性。
方法：骨龄片采样对象为6-15岁儿童青少年，其中男672人，女650人。同一张骨龄片分别用智能GP与专家GP读出骨龄值。智能GP读片结果的准确性采用差值绝对值反映；骨龄结果一致性采用Pearson相关、Bland-Altamn分布图；评估一致性采用Kappa检验。

结果与结论：①智能GP骨龄与专家GP骨龄差值95%置信区间男女总体分别为0.39岁(0.37-0.41岁)，0.32岁(0.29-0.34岁)，智能GP骨龄与专家GP骨龄差值Bland-Altamn偏差男女分别为(-0.096±0.482)岁，(0.014±0.415)岁；②智能GP骨龄与专家GP骨龄男女相关结果分别为r=0.991，r=0.992，P < 0.000 1；男女所有年龄段差值中位数均在0.5岁之内；Kappa检验值除男子9岁年龄段，其他各年龄段男女均大于0.4，总体Kappa值男女分别为0.603，0.659；③结果表明：在6-15岁儿童青少年范围内，人工智能GP图谱骨龄值与专家评估结果有高度一致性。

https://orcid.org/0009-0009-7115-8589(李磊）

中国组织工程研究杂志出版内容重点：组织构建；骨细胞；软骨细胞；细胞培养；成纤维细胞；血管内皮细胞；骨质疏松；组织工程

关键词: 人工智能, 骨龄, 评估, GP图谱

Abstract: BACKGROUND: Artificial intelligence-assisted bone age assessment has become a research hotspot. Domestic and foreign studies have shown that the rapid development of artificial intelligence technology in the field of medical imaging provides the possibility of more accurate and rapid assessment of bone age.
OBJECTIVE: To investigate the consistency between a domestically developed artificial intelligent Greulich-Pyle (GP) bone age assessment system and an expert manually assessed GP (expert GP), and to provide a basis for the feasibility of applying an artificial intelligent GP in clinical practice or in other fields.
METHODS: Wrist radiographs were sampled from children and adolescents aged 6-15 years, of whom 672 were male and 650 were female. Bone age assessment of the same wrist radiograph was performed using the artificial intelligent GP and the expert GP. The accuracy of the artificial intelligent GP reading results was assessed by the absolute value of the difference. The consistency of the bone age results was assessed by Pearson correlation and Bland-Altamn distribution; and the consistency of the assessment was checked by Kappa test.
RESULTS AND CONCLUSION: The absolute value of the difference (95% confidence interval) of the difference between artificial intelligent GP and expert GP for male and female was 0.39 years (0.37-0.41 years) and 0.32 years (0.29-0.34 years), respectively. The deviation of Bland-Altamn values for male and female was (-0.096±0.482) years and (0.014±0.415) years, respectively. The correlation results between artificial intelligent GP bone age and expert GP bone age for male and female were r=0.991 and r=0.992, respectively (P < 0.000 1). The median difference between all age groups for male and female was within 0.5 years. Kappa test values were greater than 0.4 for both sexes at all ages except for the 9-year age group for male. Overall Kappa values were 0.603 and 0.659 for male and female respectively. To conclude, there is a high degree of consistency between the artificial intelligence and expert evaluation results of GP bone age values in children and adolescents aged 6-15 years.

Key words: artificial intelligence, bone age, assessment, GP atlas

中图分类号:

李磊, 潘其乐, 蔡广, 李志朋. 人工智能与专家Greulich-Pyle图谱法骨龄评估的一致性比较[J]. 中国组织工程研究, 2024, 28(28): 4436-4440.

Li Lei, Pan Qile, Cai Guang, Li Zhipeng. Consistency between artificial intelligence and expert Greulich-Pyle atlas method for bone age assessment[J]. Chinese Journal of Tissue Engineering Research, 2024, 28(28): 4436-4440.

图/表（结果） 4

2.1 人工智能与专家GP骨龄准确性、一致性分析由表2可见，男子6-15岁时MAE在0.32-0.57岁之间，总体为0.39岁；MAE≤0.5岁比例在54.9%-84.8%之间，总体为73.5%；MAE < 1岁比例，除了8岁和9岁，其他年龄段均在90%以上，总体比例为94.5%。女子6-15岁时MAE在0.23-0.50岁之间，总体为0.32岁；MAE≤0.5岁比例在57.8%-95.8%之间，总体为82.6%；MAE < 1比例，除了7岁和9岁，其他年龄段均在90%以上，其中10-15岁达到100%，总体比例为97.4%。男女大部分年龄段MAE的95%置信区间都在0.2-0.5岁之间，总体95%置信区间分别为0.37-0.41岁、0.29-0.34岁。图2A，D显示智能GP骨龄与专家GP骨龄Pearson相关，男女相关结果分别：r=0.991，r=0.992，P < 0.000 1；95%区间分别为0.989-0.992，0.991-0.993。图2B，E为智能GP骨龄与专家GP骨龄差值Bland-Altamn分布图，男女偏差分别为(-0.096±0.482)岁，(0.014±0.415)岁；95%置信区间分别为-1.041-0.850岁，-0.798-0.827岁。图2C，F为智能GP骨龄与专家GP骨龄差值年龄箱线分布图，男子差值中位数在10岁前大于0，在10岁及10岁后小于0；女子差值中位数除了7，8岁大于0，其他年龄段基本在0值附近或小于0；男女所有年龄段差值中位数均在0.5岁之内。

2.2 人工智能与专家发育评估一致性分析表3为男、女总体智能GP、专家GP骨龄与生活年龄差值范围Kappa一致性检验交叉列表，以男子为例，专家GP骨龄与生活年龄差值频数范围(-1，1)最高，为271人，频数范围[1，2)第二，为179人，智能GP骨龄与生活年龄差值频数范围(-1，1)最高，为314人，频数范围[1，2)第二，为174人。表4是各年龄段和总体Kappa检验结果。从表4中可见男子9岁K值为0.329，6，8，11，12岁K值在0.426-0.585之间，7，13-15岁K值在0.648-0.735之间，全年龄段K值为0.603；女子7-10、15岁K值在0.449-0.580之间，其他年龄段K值均在0.621-0.767之间，全年龄段K值为0.659。

参考文献

[1] 程龙龙,汤鹏,罗方亮,等.应用医学影像学技术评定骨龄的研究进展[J].中国法医学杂志,2019,34(1):62-66.
[2] 王凤丹,次旦旺久,焦洋,等.人工智能在骨龄评估中的应用[J].基础医学与临床,2022,42(11):1776-1780.
[3] 李莉红,杨秀军,李婷婷.不同人工智能模型对基于手腕部DR影像的骨龄预测比较[J].临床放射学杂志,2019,38(8):1498-1501.
[4] 李睿,张世杰,黄奥云,等.基于深度学习的青少年手腕骨骨龄评价[J].计算机技术与发展,2020,30(1):124-128,134.
[5] BOOZ C, YEL I, WICHMANN JL, et al. Artificial intelligence in bone age assessment: accuracy and efficiency of a novel fully automated algorithm compared to the Greulich-Pyle method. Eur Radiol Exp. 2020;4(1):6.
[6] SIMU S, LAL S, NAGARSEKAR P, et al. Fully automatic ROI extraction and edge-based segmentation of radius and ulna bones from hand radiographs. Biocybern Biomed Eng. 2017;37(4):718-732.
[7] 文颖,任旭华,杨秀军,等.基于手腕部影像传统关注特征区域深度学习的人工智能骨龄评估[J].中华放射学杂志,2019,53(10):895-899.
[8] WANG F, GU X, CHEN S, et al. Artificial intelligence system can achieve comparable results to experts for bone age assessment of Chinese children with abnormal growth and development. PeerJ. 2020;8:e8854.
[9] WANG F, CIDAN W, GU X, et al. Performance of an artificial intelligence system for bone age assessment in Tibet. Br J Radiol. 2021;94(1120):20201119.
[10] 赵凯,马帅,孙佳丽,等.人工智能软件对住院医师X线骨龄诊断辅助效果初探[J].实用放射学杂志,2021,37(2):317-320.
[11] 宋娟,宫平,高畅,等.基于深度学习的儿童骨龄智能评估模型构建及初步临床验证[J].中华放射学杂志,2019,53(11):974-978.
[12] HALABI SS, PREVEDELLO LM, KALPATHY-CRAMER J,等. RSNA儿童骨龄机器学习挑战[J].国际医学放射学杂志,2019(2):240.
[13] ZHANG SY, LIU G, MA CG, et al. Automated determination of bone age in a modern chinese population. ISRN Radiol. 2013;2013:874570.
[14] 孙梦莎,丁永红,颜子夜,等.人工智能在儿童骨龄影像检测中的应用[J].中国医疗设备,2021,36(3):28-32.
[15] 李然然,杨芸晓,高剑波,等.人工智能支持系统辅助放射科医师评估骨龄[J].临床放射学杂志,2021,40(3):560-563.
[16] BOOZ C, WICHMANN JL, BOETTGER S, et al. Evaluation of a Computer-Aided Diagnosis System for Automated Bone Age Assessment in Comparison to the Greulich-Pyle Atlas Method: A Multireader Study. J Comput Assist Tomogr. 2019;43(1):39-45.
[17] 龙也,刘冰雪,周慧明,等.2387例儿童青少年骨龄调查分析[J].中国实用医药,2022,17(18):169-172.
[18] CREO AL, SCHWENK WF 2nd. Bone Age: A Handy Tool for Pediatric Providers. Pediatrics. 2017;140(6):e20171486.
[19] 冯佳楠.不同项目少儿运动员优势侧与非优势侧骨龄差异及影响因素的研究[D].北京:北京体育大学,2021.
[20] 周星栋.乒乓球9～14岁运动员阶段评价选材模型的构建[D].北京:北京体育大学,2020.
[21] 焦建明,范飞,邓小冬,等.基于深度学习的MRI骨龄评估研究进展[J].中国司法鉴定,2023(1):38-44.
[22] 黄卫保,林剑军,梁莎,等.国内外手腕部骨龄影像评估方法各自优缺点及研究进展[J].中国医疗设备,2020,35(10):181-185.
[23] 彭丽珍,陈俊杰,顾林,等.中华05法和G-P图谱法在儿童青少年骨龄评估中的效果对比研究[J].影像研究与医学应用,2022,6(20):86-88.
[24] 潘其乐,张洪,周慧康,等.Greulich-Pyle图谱法、CHN法和中华05法评估儿童青少年骨龄的比较[J].中国组织工程研究,2021,25(5):662-667.
[25] 蔡广,潘其乐,朱镕鑫.正常儿童青少年GP图谱法和中华05法评估骨龄一致性研究[J].中国循证儿科杂志,2020,15(6):441-446.
[26] 毛志敏.3种骨龄测评标准在儿童青少年数字骨龄片评价应用中的对比研究[J].现代医用影像学,2021,30(5):982-984.
[27] 张骥.骨龄评估软件BX应用分析及数字骨龄图谱研发[D].上海:上海交通大学,2017.

引言

目前在医疗领域应用较多的骨龄评估方法为简易Greulich-Pyle(GP)，简易GP是1950年 Greulich和Pyle制定出腕部的骨发育图谱法[1]，由于该方法评估骨龄较为快捷，因此得到了广泛的应用，是国际上最常用的骨龄判读方法[2]，男性用31张标准片描述从出生足月至成年19岁手腕部骨变化过程，女性用27张标准片描述从足月至成年18岁手腕部骨变化过程。标准片不能描绘骨形态全部连续变化过程，因此在读片时往往仅与大多数骨一致，实际上较少有待检片与标准片每个骨是完全一致的，此外为了较好地体现骨发育阶段性，相邻标准片时间间隔不一致，如有的片之间时间间隔为3个月，有的为半年等等，对读片精度有较大的影响，当被检片介于相邻的两标准片之间时，难以精确确定骨龄值。临床医生在评估时把患者左手的骨龄片与标准片进行比较，最相近的标准片的骨龄值为患者的骨龄，如无最相近的标准片，将采用插入法，取2张标准片中间值作为患者骨龄。
GP图谱这些特点对评估者之间和评估者内部重复性和一致性产生较大的影响，一般GP评估者需要有长时间的阅片经验，才能达到较好的一致性和可靠性。该方法缺点非常明显，在实践中经常会遇到患者骨龄片找不到对应完全一致的标准片，这时评估就会过度依赖医生的主观判断，不同医生之间得出的骨龄结果差异很大。因此怎样提高GP图谱法评估结果的准确性和一致性是有待解决的问题。
由于人工读片技术已经较为成熟，骨龄的人工读片已在诸多领域开展了广泛应用，但人工读片、分析及推断骨龄均有工作量大、耗时长、一致性欠佳的局限性。随着人工智能技术的快速发展，大量骨龄评估的人工智能系统被开发出来[3-6]，为克服人工读片的缺点，节省人力、物力、财力并更客观准确地评估骨龄提供了可能。国外有研究表明人工智能系统评估结果与人工专家读片标准绝对差值在0.46岁[7]。
人工智能骨龄软件已逐渐提高了骨龄判读的准确性[8-11]。2018年RSNA骨龄机器学习挑战赛证明人工智能在做出准确而省时的预测上具有巨大潜力[12]。中国也有学者应用国外人工智能系统对中国儿童进行了评估，结果与专家骨龄标准绝对差值为0.64岁[13]。人工智能骨龄评估准确度逐步提高，骨龄影像智能检测系统将骨龄的阅片时间缩短至秒级，有效提升了工作效率[14-15]。随着中国对人工智能技术的创新支持，人工智能技术在医学影像领域发展迅速，该研究将对中国开发的一款已在医疗领域应用的人工智能骨龄评估系统与专家标准结果进行比较研究，探讨其评估的一致性和实践中推广应用的可能性。中国组织工程研究杂志出版内容重点：组织构建；骨细胞；软骨细胞；细胞培养；成纤维细胞；血管内皮细胞；骨质疏松；组织工程

材料方法

1.1 设计人工智能GP骨龄值和专家GP骨龄值比较，准确性用两者差绝对值、95%置信区间来反映；一致性用Pearson相关、Bland-Altamn分布图展示；差值年龄特点采用箱线图展示；结果一致性采用Kappa检验。
1.2 时间及地点 2016年3月至2019年12月在上海体育科学研究所(上海市反兴奋剂中心)完成。

1.3 对象采样对象为上海市静安区9年一贯制学校(小学和初中)的普通在校生(非医院内分泌科异常青少年或运动员特殊群体)，年龄范围为6-15岁，样本量为1 322人，其中男672人，女650人，各年龄段人数分布如表1所示。该研究获得上海体育科学研究所伦理委员会批准，编号LLSC20210005。在采样前，提前1周给每位家长发放知情同意书，告知测试目的、测试利弊，家长自愿选择是否参加，对愿意参加测试儿童青少年进行采样。

1.4 方法
1.4.1 X射线片拍摄拍摄仪器为移动数字X光DR成像系统，型号为西班牙斯达福MOVIX4.0。为方便快捷采样，该仪器定制了小型化铅玻璃防护罩(通过复旦放射医学研究所防辐射检验，符合国家标准)。受试者仅左手手腕部伸进防护罩内X射线照射区。拍摄时四指并拢伸直，大拇指自然分开60°，手臂和手掌成一条直线，并紧贴DR板，球管中心点对准第三掌骨头。拍摄参数kVp值25，mAs值2.5。骨龄片以DICOM格式和BMP图片2种格式导出，DICOM格式用于人工智能读片，BMP格式用于专家读片。
1.4.2 骨龄评估

(1)人工智能骨龄读片：见图1。人工智能读片系统为杭州深睿博联科技有限公司开发的骨龄检测分析软件(软件版本：DW-BADAS)，骨龄检测分析软件依据DICOM标准通信协议，与其他影像系统建立通讯连接，通过网络通讯获取医学影像数据，或者外部DICOM影像批量导入，对手腕部X射线片影像进行分析处理：包括X射线骨龄片质控、手腕骨定位、遵循各骨龄标准进行手腕骨发育等级评价、骨龄结果展示与报告，该研究采用GP图谱法标准读片。

(2)专家骨龄读片：GP图谱评估专家从事骨龄评估及研究工作40多年，年读片量在2 000人次以上。对专家读片结果一致性检验。内部一致性(interclass correlation coefficient，ICC)的系统误差以前后骨龄差值平均数表示，读片时，每张骨龄片只有性别和编号，完成读片工作2个月后，再在男女每个年段分别随机抽取骨龄片进行重复读片130张，系统误差为0.001 9岁，随机误差以差值的95%置信区间表示，为±0.552 3岁，低于骨龄读片±0.6岁的误差范围。
1.4.3 发育评估结果分组医学发育评估标准：骨龄与生活年龄差值在±1岁内，即为发育同步，大于或等于1岁为发育偏早，小于或等于-1岁为发育偏晚，差值绝对值在2岁及2岁以上考虑有疾病影响。该研究以此为依据划分智能GP骨龄或专家GP骨龄与生活年龄差值分类：2≤差值为[2，∞)，1≤差值 < 2为[1，2)，-1 < 差值 < 1为(-1，1)，-2 < 差值≤-1为(-2，-1]，差值≤-2为(∞，-2]；计算5类的频数百分比，比较2种方法评估的一致性。
1.5 主要观察指标人工智能GP骨龄值、专家GP骨龄值，以及2个值的差别及分布特点。
1.6 统计学分析统计分析软件为SPSS 22.0。一般变量采用x±s表示；智能GP读片结果的准确性采用了与专家GP差值绝对值(mean absolute error，MAE)、95%置信区间来反映；智能GP骨龄结果与专家GP骨龄结果一致性采用Pearson相关、Bland-Altamn分布图来反映；智能GP读片结果与专家GP读片结果差值年龄特点采用箱线图展示；智能GP评估结果与专家评估结果一致性采用Kappa检验，Kappa值(K)划分如下[16]：K < 0.2，一致性极低；0.2≤K < 0.4，一致性一般；0.4≤K < 0.6，中等一致性；0.6≤K < 0.8，高度一致性；K≥0.8，完全一致性。P < 0.05为差异有显著性意义。文章统计由长期从事骨龄实践研究和统计实践研究的运动人体科学硕士实施。

讨论

骨龄在儿科内分泌[17]、儿童保健[18]、体育选材[19-20]、法医领域中有较为广泛的应用[21]。骨龄评估方法一般有图谱法和计分法2种[22]，图谱法相对来说评判简单快捷，但是同一张骨龄片评判者之间差异较大，可靠性较低；计分法较为复杂，不同的评判者间评判结果相对差异较小，可靠性高，但是评判速度慢，实践中应用效率较低[23-24]。因此为了解决骨龄读片可靠性和效率性问题，诸多科研工作者自20世纪80年代开始就一直在探索自动化骨龄判读系统。目前为止自动判读技术经历了大致3个阶段发展，第1阶段骨龄评估者是通过计算机对照标准片选择等级，最后计算机根据规则辅助计算出骨龄结果，相当于半自动化；第2阶段是基于图像分割技术，运用数学模型提取骨形态，然后判断等级，得出骨龄，该技术很容易受到骨龄片质量、标准拍片姿势等因素影响，因此自动判读结果达不到实践应用要求；第3阶段为人工智能阶段，是通过机器深度学习方法建立自动判读系统，研究显示一些人工智能系统已经能把误差控制在1岁之内。该研究选定国内深睿公司研制的最新人工智能判读系统，该系统目前已经在临床进行应用，但是其应用效果目前还少有研究报道。
骨龄评估标准有多种，已有研究表明不同的标准对同一张骨龄片评判结果会有差异[25-26]，该研究选择了在临床应用较为普遍的GP标准进行人工智能和专家之间对比验证，探讨人工智能骨龄判读系统的准确性和一致性，关键在于专家GP标准骨龄的确定，该研究的标准骨龄是由实践经验丰富的专家读片，并对读片结果进行了内部一致性检验，结果显示系统误差为0.001 9岁，95%置信区间为±0.552 3岁，达到±0.6岁的国际认可水平[25]。
该研究结果显示男女智能GP骨龄结果与专家GP骨龄结果总体MAE都在0.4岁内，各个年龄段MAE都在0.6岁内，大部分年龄段MAE的95%置信均在0.5岁内。通常情况下，经验丰富的专家评估误差可达0.25岁，而一般评估者误差则为0.82岁左右，该研究智能GP骨龄结果已经小于一般评估者的误差，因此反映了智能GP骨龄结果有较好的准确性。智能GP骨龄与专家GP骨龄Pearson相关以及两者间差值的Bland-Altamn分布图反映了智能GP骨龄与专家GP骨龄一致性，结果显示智能GP骨龄与专家GP骨龄Pearson无论男女都存在高度相关。Bland-Altamn分布图偏差都在0值附近，95%置信区间均在±1岁内，2种统计结果都表明了2种方法判别骨龄结果有很好的一致性。箱线图反映了2种方法各个年段差值特点，从图中可见男子6-9岁智能GP结果比专家GP稍大，10-15岁智能GP结果比专家GP稍小，女子除7，8岁智能GP结果比专家GP稍大，其他年龄段基本和专家GP结果一致，且无论男女差值均在0.6岁内，达到国际认可水平。因此以上不同角度的统计均反映了智能GP骨龄结果与专家GP结果有良好的一致性。该研究除了对智能GP骨龄结果准确性和一致性进行了检验，也对发育评估结果进行了一致性检验。临床诊断中常以骨龄与生活年龄差值在±1岁为界限判断是否早发或者晚发，±2岁为界限判断是否存在内分泌疾病影响，该研究以此界限检验智能GP与专家GP发育评估一致性。从Kappa检验结果可见男女整体智能GP评估结果和专家GP评估结果都达到了高度一致性；分年龄段看，除了男子9岁年龄段2种方法评估一致性一般以外，其他年龄段男女都在中等和高度一致性水平。该研究结果可以认为，智能GP和专家GP评估结果有较高的一致性。
国外被研究报道较多的一款人工智能软件是BoneXpert[27]，该款系统评估结果最早研究报道在2009年，软件版本也随之迭代，后续每年都有相关应用结果报道，从这些报道中可见系统GP评估准确性总体均方根从0.71岁提高到0.49岁，与专家骨龄相关性男女都在0.95以上，系统有高度精确性和有效性。该研究采用中国深睿开发的人工智能GP标准也得出同样的结论，但研究缺陷在于样本量未覆盖全年龄段。左手骨龄数据基本为本地区儿童，地域来源相对单一。结合国内外研究结果，可以认为当前人工智能技术应用于骨龄判读日趋成熟，其判读结果取得了较高的一致性和有效性，在很多领域都具有很高的应用价值和前景，但是当前人工智能机器学习都是基于特定的评估标准，如GP标准、TW3、中华05标准等，这些标准等级划分过程是基于人类视觉特征总结，不能反映骨发育连续形态过程，也存在一定缺陷，因此在未来的人工智能骨龄评估标准的研制过程中，可以大量采集正常人群的样本，学习不同生活年龄的骨形态发育特征，制定不依赖于任何标准的智能评估系统。中国组织工程研究杂志出版内容重点：组织构建；骨细胞；软骨细胞；细胞培养；成纤维细胞；血管内皮细胞；骨质疏松；组织工程

人工智能与专家Greulich-Pyle图谱法骨龄评估的一致性比较

Consistency between artificial intelligence and expert Greulich-Pyle atlas method for bone age assessment

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表（结果） 4

参考文献

相关文章 15

引言

材料方法

讨论

文章快阅

延伸阅读

编辑推荐

Metrics

本文评价

[1]	闵美鹏, 吴进, URBA RAFI, 张文杰, 高嘉, 王云华, 何斌, 范磊. 全髋关节置换前人工智能(AI)规划的作用与意义[J]. 中国组织工程研究, 2024, 28(9): 1372-1377.
[2]	余伟杰, 刘爱峰, 陈继鑫, 郭天赐, 贾易臻, 冯汇川, 杨家麟. 机器学习在腰椎间盘突出症诊治中的优势和应用策略[J]. 中国组织工程研究, 2024, 28(9): 1426-1435.
[3]	庄昕仪, 彭源浩, 喻婷, 吕冬梅, 温秀杰, 程钎. 不同颈椎骨龄青少年下颌骨外斜线区骨量的锥形束CT评价[J]. 中国组织工程研究, 2024, 28(8): 1253-1258.
[4]	周超, 庾广聿, 范嘉琪, 于春梅, 吴敏, 陈施蓓. 基于第3天胚胎培养液340 nm处吸光度建立优质胚胎预测模型及验证[J]. 中国组织工程研究, 2024, 28(7): 1050-1056.
[5]	周世博, 关健斌, 俞兴, 赵赫, 杨永栋, 刘涛. 股骨骨缺损动物模型制备现状及特点[J]. 中国组织工程研究, 2024, 28(4): 633-638.
[6]	张强, 李大伟, 刘凝昊, 李倩茹, 郑颖洁, 张志峰. 股骨转子间骨折行髓内钉治疗后营养风险预测模型的建立[J]. 中国组织工程研究, 2024, 28(21): 3380-3384.
[7]	朱培坤, 白金柱. 青少年特发性脊柱侧弯矫形器分类比较与数字智能技术的应用进展[J]. 中国组织工程研究, 2024, 28(21): 3418-3423.
[8]	彭源浩, 吕冬梅, 庄昕仪, 喻婷, 程钎. 两种锥形束CT转化二维图像与传统头颅侧位片定量分析颈椎骨龄的一致性[J]. 中国组织工程研究, 2024, 28(18): 2881-2886.
[9]	张凯, 郭卓涛, 马桥桥, 查国春, 郭开今. 人工智能三维规划系统在全髋关节置换中的准确性及其影响因素[J]. 中国组织工程研究, 2024, 28(12): 1863-1868.
[10]	蔡志浩, 谢召勇. 股骨颈前倾角测量评估：如何建立统一的方法和标准[J]. 中国组织工程研究, 2023, 27(9): 1448-1454.
[11]	于文强, 任富超, 石国宏, 许苑晶, 刘同有, 谢幼专, 王金武. 脑卒中后下肢步态分析的方法与应用[J]. 中国组织工程研究, 2023, 27(8): 1257-1263.
[12]	向飞帆, 范玮, 魏代清, 梁杰, 叶俊武, 阳运康. 五种血栓评估表对股骨转子间骨折深静脉血栓形成的预测价值[J]. 中国组织工程研究, 2023, 27(36): 5845-5849.
[13]	熊伟, 袁灵梅, 钱国文, 黄锦阳, 潘斌, 郭灵, 曾志奎. 临界骨缺损动物模型评估骨组织工程支架成骨效能的价值[J]. 中国组织工程研究, 2023, 27(35): 5714-5720.
[14]	张杭, 贺强, 刘青, 何云利, 王弢, 冯哲, 张乾, 何森. 人工智能与二维数字模板辅助规划全髋置换预测假体型号的对比分析[J]. 中国组织工程研究, 2023, 27(29): 4620-4627.
[15]	吴一晗, 魏乔叶, 庞宇, 刘中强. 功能性踝关节不稳本体感觉特征的Meta分析[J]. 中国组织工程研究, 2023, 27(18): 2943-2952.