基于深度学习的骨龄评估系统对生长发育异常儿童骨龄评测的准确性

作者：常沙; 闫东; 杜霞^*; 张玉巧; 程晓光; 杨洁; 宋玲玲; 高波; 罗贤

来源：中华放射学杂志, 2023, 57(04).

• 年龄测定, 骨骼
• 人工智能
• TW3法
• 生长发育异常

目的探讨基于深度学习的人工智能(AI)系统评估生长发育异常儿童骨龄的准确性。方法回顾性连续收集2020年1月至2021年12月于贵州医科大学附属医院就诊的生长发育异常儿童的左手腕部X线正位片, 共入组717例儿童, 男266例、女451例, 年龄2～18(11±3)岁。基于Tanner Whitehouse 3(TW3)-RUS(尺骨、桡骨、短骨)和TW3-Carpal(腕骨)法, 由3名高年资医师评测骨龄, 并取3者的均值作为参考标准。由AI系统(深睿医疗Dr.Wise骨龄预测软件)和2名低年资放射科医师(医师1、医师2)独立评测骨龄, 并分别计算骨龄结果与参考标准骨龄之间误差在0.5年内的准确度、1年内的准确度、平均绝对误差(MAE)和均方根误差(RMSE)。以配对样本t检验比较AI系统和低年资医师间的MAE。采用组内相关系数(ICC)评价AI系统、低年资医师评测骨龄与参考标准骨龄之间的一致性。绘制Bland-Altman图, 计算AI评测骨龄与参考标准骨龄之间95%一致性界限。结果对TW3-RUS骨龄, 与参考标准相比, AI系统、医师1、医师2误差在0.5年内的准确度分别为75.3%(540/717)、62.1%(445/717)、66.2%(475/717), 误差在1年内的准确度分别为96.9%(695/717)、86.3%(619/717)、89.1%(639/717), MAE分别为0.360、0.565、0.496年, RMSE分别为0.469、0.634、0.572年。对TW3-Carpal骨龄, 与参考标准相比, AI系统、医师1、医师2误差在0.5年内的准确度分别为80.9%(580/717)、65.1%(467/717)、71.7%(514/717), 误差在1年内的准确度分别为96.0%(688/717)、87.3%(626/717)、90.4%(648/717), MAE分别为0.330、0.527、0.455年, RMSE分别为0.458、0.612、0.538年。AI系统TW3-RUS和TW3-Carpal骨龄评测的MAE均小于医师1、医师2, 差异均有统计学意义(P均<0.001)。AI、医师1、医师2评测骨龄结果与参考标准之间均具有较好的一致性(ICC均>0.950)。Bland-Altman图显示AI系统对TW3-RUS和TW3-Carpal骨龄评测的95%一致性界限分别为-0.75～1.02岁、-0.86～0.91岁。结论 AI系统对生长发育异常患儿骨龄评测的准确度接近高年资医师, 优于低年资医师, 且与高年资医师的一致性良好。

• 单位
  贵州医科大学; 北京积水潭医院