GP图谱法20世纪30-50年代白人上层人群

骨龄评估(Bone

Age

Assessment，BAA)柏梅复旦大学附属儿科医院放射科骨龄的定义骨龄评估方法骨龄评估方法GP图谱法20世纪30-50年代白人上层人群，近年来欧洲一些国家重新对GP法的适用性进行评估，发现GP法仍适用于欧洲大部分人群;图谱法直观简洁，但是人为误差大TW计分法根据骨骺的大小、形状、密度、边界的厚度以及光滑度、骨骺线厚度、融合封闭的程度分期ABCE（）EFG（构形期，青春期前）

HI(成熟期)分为手腕部桡尺、掌指骨（

radius,ulna

and

shortbones,RUS）和腕骨（carpal,CARP），即R和C中华

05系列中的RUS法提出了适用于中国人群的TW3法计分法相对准确，但繁杂费时CHN05参照TW系列手腕部骨骼形态的划分等级，重新为14块手腕部

各发育等级赋分，样本来源于20世纪

80年代末经济中上层家庭的健康儿童。骨龄计算机评价目前世界上没有得到广泛认可的骨龄计算机评价系系统统，报道中所选择的手腕骨评价部位不一，采用的数字图像处理技术也不相同，近年来国外研究者提出各种的图像处理技术得到的骨龄评定系统的准确率范围为６３％～９４％算法网络化，计算机识别，深度学习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CHN

TW3-RUSGP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３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ＧＰ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３０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≤o．4，表明评价SA测定一致性较差，0．4<Kappa值≤o．6，表明一致性中等，Kappa值>o．6，表明一致性较高；Kappa>0．8，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3～5

min和15～20

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Tanner．Whitehouse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２０１６年（第３６卷）第９期问题6Deep

learning

for

automated

skeletal

bone

ageassessment

in

X-ray

imagesstage

of

preprocessing：

a

Input输入radiographs.The

images

have

been

transformeto

a

square

shape

for

consistent

layout.

b

Normalized标准化images

with

consistent

grayscale

baseand

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视网膜OCT（Optical

Coherence

Tomography,光学相干断层成像术）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，研究人员随后用来自624名患者的胸部X光片对这一模型进行了测试。张康表示，“对于肺炎图像，我们的AI工具不光能鉴别肺炎和正常胸部X线平片，还能区分肺炎的病原体为细菌还是病毒，准确率可达90%以上。”当然，研究人员并没有止步于儿童肺炎诊断。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延伸

研究人员收集了5232张儿童胸部X光片，用