骨龄评估问题讨论

骨龄评估(Bone Age Assessment，BAA),柏梅复旦大学附属儿科医院放射科,1,骨龄的定义,2,骨龄评估方法,3,骨龄评估方法,4,问题,两个不同的人用TW3法评估骨龄的差异大吗图谱法和TW3计分法在评估骨龄上有差异吗？骨龄算法网络化的时间及一致性方面怎样？自动评价系统的优点骨龄的计算机识别基于深度学习的骨龄评估,5,问题1,图谱法和TW3计分法在评估骨龄上有差异吗？3种方法CHN法评价骨龄最大， TW3-RUS法最小，GP法居中男、女童的所有年龄组 种方法评价的最大骨龄与最小骨龄的差值随年龄增大而增大。男童 3-4岁骨龄和 -6 岁TW3-RUS法与GP 法一致性良好，女童 3-4岁骨龄 CHN 法与 TW3-RUS法、-8岁骨龄 TW3-RUS法与 GP法一致性良好，女童未发育组 TW3-RUS法与 GP 法一致性良好，余男、女童不同骨龄和发育情况3种骨龄测量法一致性差。CHN法、 GP 法与 TW3-RUS法测得的骨龄的差别主要在男 11岁、女 9岁和进入青春期后,三种骨龄评价方法在3-17岁儿童临床应用中的一致性比较研究 张鹏飞 李 辉 中国循证儿科杂志2017年8月第1卷第 4 期,6,建议,GP是一个可以快速得到骨龄的方法，但在青春期快速发育时期，单纯采用 法评价骨龄时，会存在精度不够的问题有精力的医生可以采用逐块骨评价的方法，逐块对照 GP 图谱分别评价手腕部 块骨求平均值，或者直接掌握一种计分法放射科医生在给出骨龄结果时应注明测评骨龄时所用方法,7,问题2,两个不同的人用TW3法评估骨龄的差异大吗单个骨骺/总体 观察者间人工评级的一致性较高性（总体：Kapp0.776）差异最低的是第三掌骨(0.703)，最高的是第一近节指骨(0.964)差异主要集中在E，F和G三期（构形期，青春期前）实际工作中常遇见不典型的形态学征象，尤其是摄片时体位不标准，可能加大评价难度Kappa值o4，表明评价SA测定一致性较差，04o6，表明一致性较高；Kappa08，则表明一致性极高,骨龄测定的一致性评价 白万晶 宁刚 中华妇幼临床医学杂志(电子版)2010年,8,问题3,骨龄算法网络化的时间及一致性方面怎样？网络TW2骨龄算法的准确性和可重复性优于人工判读缩短了骨龄计算时间(分别为35 min和1520 min)分级一致的骨数为838块，占总数的83.8%,两者一致率的差异具有统计学意义,放射科网络共享TannerWhitehouse算法的研究 邹诚实岑婷 中华放射学杂志2008年11月第42卷第11期,9,问题4,自动评价的优点每张评估时间约为14.5 S2次抽样评估结果完全一致骨龄评估结果与实际年龄间差异有统计学意义, 但差异均值均在1 S左右,自动骨龄评估软件BoneXpert对中国(上海)儿童青少年的适用性研究 蔺芳琴张骥朱珍 中华实用儿科临床杂志2014年12月第29卷第23期,10,问题5,骨龄的计算机识别采用计算机实现骨骼等级评定 ，存在两个主要问题 ：一是 ，如何对待测图像中的目标骨骼进行有效分割 ；二是 ，如何将骨骼各等级描述准确地翻译成计算机语言进行特征提取选取了灰度特征 、纹理特征以及融合度作为骨龄特征参数实现桡骨的有效分割 设计 k 近邻分类器对骨龄特征数据进行等级分类朱翔宇，欧阳斌 基于中华 05 骨龄标准的桡骨骨龄等级计算机评定系统的设计 体育科学 年（第 卷）第 期,11,问题6,Deep learning for automated skeletal bone age assessment in X-ray imagesstage of preprocessing：a Input输入 radiographs. The images have been transformed to a square shape for consistent layout. b Normalized标准化 images with consistent grayscale base and image size. c Label标记 maps of hand (white) and non-hand (black) classes. d Generated生成 masks for segmentation. e Final preprocessed images预处理,12,人工智能时代,人工智能在医疗领域的应用已非常丰富。包括就诊前疾病的筛查、预防，就诊中医疗图像辅助诊断、检验结果分析、手术辅助，以及就诊后的医疗随访、慢性病监测、康复协助、健康管理，甚至还能用于基础科研辅助、药物研发、基因筛选分析、医疗培训等等，具有极为广阔的发展空间和应用前景。现阶段AI作用是辅助医生而非取代，其最容易被取代的仍然还只是比较单一的、流水线作业式的工作。访问有高质量注释图的大型数据库，是人工智能深度学习模型成功的先决条件。如何利用人工智能将放射科医生从庞杂的看片工作中解放出来,13,基于图像的深度学习,区分视网膜OCT黄斑变性和糖尿病视网膜病变,区分儿童胸片细菌性和病毒性肺炎,张康教授：领导的广州妇女儿童医疗中心和加州大学圣迭戈分校团队，使用迁移学习”（transfer learning algorithm）替代算法耗时且昂贵的传统的人工智能,14,延伸,研究人员收集了5232张儿童胸部X光片，用于AI系统的训练。其中，3883张和肺炎有关（2538张为细菌性肺炎，1345张为病毒性肺炎），其余1349张为正常。类似的