GP圖譜法20世紀(jì)30-50年代白人上層人群

骨齡評(píng)估(Bone

Age

Assessment，BAA)柏梅復(fù)旦大學(xué)附屬兒科醫(yī)院放射科骨齡的定義骨齡評(píng)估方法骨齡評(píng)估方法GP圖譜法20世紀(jì)30-50年代白人上層人群，近年來(lái)歐洲一些國(guó)家重新對(duì)GP法的適用性進(jìn)行評(píng)估，發(fā)現(xiàn)GP法仍適用于歐洲大部分人群;圖譜法直觀簡(jiǎn)潔，但是人為誤差大TW計(jì)分法根據(jù)骨骺的大小、形狀、密度、邊界的厚度以及光滑度、骨骺線厚度、融合封閉的程度分期ABCE（）EFG（構(gòu)形期，青春期前）

HI(成熟期)分為手腕部橈尺、掌指骨（

radius,ulna

and

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

05系列中的RUS法提出了適用于中國(guó)人群的TW3法計(jì)分法相對(duì)準(zhǔn)確，但繁雜費(fèi)時(shí)CHN05參照TW系列手腕部骨骼形態(tài)的劃分等級(jí)，重新為14塊手腕部

各發(fā)育等級(jí)賦分，樣本來(lái)源于20世紀(jì)

80年代末經(jīng)濟(jì)中上層家庭的健康兒童。骨齡計(jì)算機(jī)評(píng)價(jià)目前世界上沒(méi)有得到廣泛認(rèn)可的骨齡計(jì)算機(jī)評(píng)價(jià)系系統(tǒng)統(tǒng)，報(bào)道中所選擇的手腕骨評(píng)價(jià)部位不一，采用的數(shù)字圖像處理技術(shù)也不相同，近年來(lái)國(guó)外研究者提出各種的圖像處理技術(shù)得到的骨齡評(píng)定系統(tǒng)的準(zhǔn)確率范圍為６３％～９４％算法網(wǎng)絡(luò)化，計(jì)算機(jī)識(shí)別，深度學(xué)習(xí)問(wèn)題兩個(gè)不同的人用TW3法評(píng)估骨齡的差異大嗎圖譜法和TW3計(jì)分法在評(píng)估骨齡上有差異嗎？骨齡算法網(wǎng)絡(luò)化的時(shí)間及一致性方面怎樣？自動(dòng)評(píng)價(jià)系統(tǒng)的優(yōu)點(diǎn)骨齡的計(jì)算機(jī)識(shí)別基于深度學(xué)習(xí)的骨齡評(píng)估CHN

TW3-RUSGP問(wèn)題1圖譜法和TW3計(jì)分法在評(píng)估骨齡上有差異嗎？

3種方法CHN法評(píng)價(jià)骨齡最大，TW3-RUS法最小，GP法居中

男、女童的所有年齡組３種方法評(píng)價(jià)的最大骨齡與最小骨齡的差值隨年齡增大而增大。

男童

3-4歲骨齡和-6歲TW3-RUS法與GP法一致性良好，女童3-4歲骨齡CHN法與TW3-RUS法、-8歲骨齡TW3-RUS法與GP法一致性良好，女童未發(fā)育組TW3-RUS法與GP法一致性良好，余男、女童不同骨齡和發(fā)育情況3種骨齡測(cè)量法一致性差。

CHN法、

GP法與TW3-RUS法測(cè)得的骨齡的差別主要在男11歲、女

9歲和進(jìn)入青春期后三種骨齡評(píng)價(jià)方法在3-17歲兒童臨床應(yīng)用中的一致性比較研究張鵬飛李輝中國(guó)循證兒科雜志2017年8月第1卷第

4期建議

GP是一個(gè)可以快速得到骨齡的方法，但在

青春期快速發(fā)育時(shí)期，單純采用ＧＰ法評(píng)價(jià)骨齡時(shí)，會(huì)存在精度不夠的問(wèn)題有精力的醫(yī)生可以采用逐塊骨評(píng)價(jià)的方法，逐塊對(duì)照GP圖譜分別評(píng)價(jià)手腕部３０塊骨求平均值，或者直接掌握一種計(jì)分法

放射科醫(yī)生在給出骨齡結(jié)果時(shí)應(yīng)注明測(cè)評(píng)骨齡時(shí)所用方法問(wèn)題2兩個(gè)不同的人用TW3法評(píng)估骨齡的差異大嗎單個(gè)骨骺/總體觀察者間人工評(píng)級(jí)的一致性較高性（總體：Kapp0.776）

差異最低的是第三掌骨(0.703)，最高的是第一近節(jié)指骨(0.964)差異主要集中在E，F(xiàn)和G三期（構(gòu)形期，青春期前）

實(shí)際工作中常遇見(jiàn)不典型的形態(tài)學(xué)征象，尤其是攝片時(shí)體位不標(biāo)準(zhǔn)，可能加大評(píng)價(jià)難度Kappa值≤o．4，表明評(píng)價(jià)SA測(cè)定一致性較差，0．4<Kappa值≤o．6，表明一致性中等，Kappa值>o．6，表明一致性較高；Kappa>0．8，則表明一致性極高骨齡測(cè)定的一致性評(píng)價(jià)白萬(wàn)晶寧剛中華婦幼臨床醫(yī)學(xué)雜志(電子版)2010年問(wèn)題3骨齡算法網(wǎng)絡(luò)化的時(shí)間及一致性方面怎樣？

網(wǎng)絡(luò)TW2骨齡算法的準(zhǔn)確性和可重復(fù)性優(yōu)于人工判讀縮短了骨齡計(jì)算時(shí)間(分別為3～5

min和15～20

min)

分級(jí)一致的骨數(shù)為838塊，占總數(shù)的83.8%,兩者一致率的差異具有統(tǒng)計(jì)學(xué)意義放射科網(wǎng)絡(luò)共享Tanner．Whitehouse算法的研究鄒誠(chéng)實(shí)岑婷中華放射學(xué)雜志2008年11月第42卷第11期問(wèn)題4自動(dòng)評(píng)價(jià)的優(yōu)點(diǎn)每張?jiān)u估時(shí)間約為14.5

S2次抽樣評(píng)估結(jié)果完全一致

骨齡評(píng)估結(jié)果與實(shí)際年齡間差異有統(tǒng)計(jì)學(xué)意義,但差異均值均在1

S左右自動(dòng)骨齡評(píng)估軟件BoneXpert對(duì)中國(guó)(上海)兒童青少年的適用性研究藺芳琴?gòu)報(bào)K朱珍中華實(shí)用兒科臨床雜志2014年12月第29卷第23期問(wèn)題5骨齡的計(jì)算機(jī)識(shí)別

采用計(jì)算機(jī)實(shí)現(xiàn)骨骼等級(jí)評(píng)定，存在兩個(gè)主要問(wèn)題：一是，如何對(duì)待測(cè)圖像中的目標(biāo)骨骼進(jìn)行有效分割；二是，如何將骨骼各等級(jí)描述準(zhǔn)確地翻譯成計(jì)算機(jī)語(yǔ)言進(jìn)行特征提取

選取了灰度特征、紋理特征以及融合度作為骨齡特征參數(shù)實(shí)現(xiàn)橈骨的有效分割設(shè)計(jì)k近鄰分類器對(duì)骨齡特征數(shù)據(jù)進(jìn)行等級(jí)分類朱翔宇，歐陽(yáng)斌基于中華

05骨齡標(biāo)準(zhǔn)的橈骨骨齡等級(jí)計(jì)算機(jī)評(píng)定系統(tǒng)的設(shè)計(jì)體育科學(xué)２０１６年（第３６卷）第９期問(wèn)題6Deep

learning

for

automated

skeletal

bone

ageassessment

in

X-ray

imagesstage

of

preprocessing：

a

Input輸入radiographs.The

images

have

been

transformeto

a

square

shape

for

consistent

layout.

b

Normalized標(biāo)準(zhǔn)化images

with

consistent

grayscale

baseand

image

size.

c

Label標(biāo)記maps

of

hand(white)and

non-hand(black)classes.d

Generated生成masks

for

segmentation.e

Final

preprocessed

images預(yù)處理人工智能時(shí)代

人工智能在醫(yī)療領(lǐng)域的應(yīng)用已非常豐富。包括就診前疾病的篩查、預(yù)防，就診中醫(yī)療圖像輔助診斷、檢驗(yàn)結(jié)果分析、手術(shù)輔助，以及就診后的醫(yī)療隨訪、慢性病監(jiān)測(cè)、康復(fù)協(xié)助、健康管理，甚至還能用于基礎(chǔ)科研輔助、藥物研發(fā)、基因篩選分析、醫(yī)療培訓(xùn)等等，具有極為廣闊的發(fā)展空間和應(yīng)用前景。

現(xiàn)階段AI作用是輔助醫(yī)生而非取代，其最容易被取代的仍然還只是比較單一的、流水線作業(yè)式的工作。

訪問(wèn)有高質(zhì)量注釋圖的大型數(shù)據(jù)庫(kù)，是人工智能深度學(xué)習(xí)模型成功的先決條件。

如何利用人工智能將放射科醫(yī)生從龐雜的看片工作中解放出來(lái)視網(wǎng)膜OCT（Optical

Coherence

Tomography,光學(xué)相干斷層成像術(shù)）研究人員收集了5232張兒童胸部X光片，用于AI系統(tǒng)的訓(xùn)練。其中，3883張和肺炎有關(guān)（2538張為細(xì)菌性肺炎，1345張為病毒性肺炎），其余1349張為正常。類似的，研究人員隨后用來(lái)自624名患者的胸部X光片對(duì)這一模型進(jìn)行了測(cè)試。張康表示，“對(duì)于肺炎圖像，我們的AI工具不光能鑒別肺炎和正常胸部X線平片，還能區(qū)分肺炎的病原體為細(xì)菌還是病毒，準(zhǔn)確率可達(dá)90%以上?！碑?dāng)然，研究人員并沒(méi)有止步于兒童肺炎診斷?；趫D像的深度學(xué)習(xí)區(qū)分視網(wǎng)膜OCT黃斑變性和糖尿病視網(wǎng)膜病變區(qū)分兒童胸片細(xì)菌性和病毒性肺炎張康教授：領(lǐng)導(dǎo)的廣州婦女兒童醫(yī)療中心和加州大學(xué)圣迭戈分校團(tuán)隊(duì)，使用遷移學(xué)習(xí)”（transfer

learning

algorithm）替代算法耗時(shí)且昂貴的傳統(tǒng)的人工智能延伸

研究人員收集了5232張兒童胸部X光片，用