【摘 要】目的：比較放射科醫(yī)師在人工智能（artificial intelligence，AI）骨齡評價(jià)系統(tǒng)輔助前后對兒童左手X線攝影的骨齡評估效能。方法：回顧性分析在我院就診的300例患兒左手X線平片。骨齡評測采用中華-05骨齡評定標(biāo)準(zhǔn)，兩位低年資醫(yī)師（醫(yī)師1及醫(yī)師2）分別在有無AI輔助下分別記錄左手各骨質(zhì)的骨齡發(fā)育等級，并記錄時(shí)間。以兩位高年資放射醫(yī)師分別在有無AI系統(tǒng)輔助下評估結(jié)果的均值為參考標(biāo)準(zhǔn)，計(jì)算骨齡測評的準(zhǔn)確率、均方根誤差（root mean square error，RMSE）、測評時(shí)間。結(jié)果：無AI輔助下，醫(yī)師1及醫(yī)師2分析差值在6個(gè)月及12個(gè)月診斷準(zhǔn)確率分別為77.3%和83%、88.7%和93.7%，RMSE值分別為9和8。在AI輔助下，醫(yī)師1及醫(yī)師2分析差值在6個(gè)月及12個(gè)月診斷準(zhǔn)確率分別為88.7%和90.3%、97%和97.3%，RMSE值分別為6和6；差異均具有統(tǒng)計(jì)學(xué)意義。無AI輔助下，實(shí)驗(yàn)組醫(yī)師和標(biāo)準(zhǔn)組醫(yī)師，平均評測耗時(shí)分別為124.79 s和89.13 s；有AI輔助下實(shí)驗(yàn)組醫(yī)師和標(biāo)準(zhǔn)組醫(yī)師，平均評測耗時(shí)分別為86.10 s和63.87 s，在AI輔助下平均評測耗時(shí)均有較大幅度減少（P=0.000）。結(jié)論：AI輔助骨齡評價(jià)系統(tǒng)可顯著提高醫(yī)師工作效率，減少閱片時(shí)間。

【關(guān)鍵詞】影像診斷；骨齡評估；人工智能

【中圖分類號】320.1140 【文獻(xiàn)標(biāo)志碼】A 【收稿日期】2023-10-10

隨著科技飛速發(fā)展，我國的普通家庭的平均生活水平得到明顯提高，絕大多數(shù)家長也越來越關(guān)心孩子的生長發(fā)育。骨齡（boneage，BA）是目前應(yīng)用于評價(jià)兒童及青少年生物年齡的最主流方法，在體育及司法領(lǐng)域都有著重要的應(yīng)用價(jià)值。全面且詳細(xì)的骨齡評估，能準(zhǔn)確地反映出兒童及青少年的生長發(fā)育水平[1]。醫(yī)師采用圖譜法（G-P圖譜、CHN圖譜），計(jì)分法（TW3法、中華05法及CHN法）進(jìn)行人工閱片，是目前主要的骨齡評價(jià)方法，此方法讀片耗時(shí)較長，并且主觀性強(qiáng)、穩(wěn)定性差，導(dǎo)致骨齡的評估效率較低，評估結(jié)果一致性較差[2]。隨著醫(yī)療領(lǐng)域的智能化發(fā)展，如何有效地利用人工智能（artifi?cial intelligence，AI）圖像處理能力，提高骨齡評估的數(shù)字化發(fā)展，緩解醫(yī)療資源緊張的局面，逐漸引起相關(guān)領(lǐng)域科研人員及臨床醫(yī)師的重視。深度卷積神經(jīng)網(wǎng)絡(luò)（Deep Convolutional Neural Network，DCNN）等一系列深度AI智能學(xué)習(xí)的不斷更新發(fā)展，使其具有快速處理大批量的圖像數(shù)據(jù)的能力。本研究通過AI與影像醫(yī)師組成不同實(shí)驗(yàn)組的組間對比，探討AI與醫(yī)師在何種模式配合下對兒童及青少年骨齡評估的臨床應(yīng)用價(jià)值更高。

1 資料與方法

1.1 一般資料

回顧性分析因矮小、性早熟及預(yù)測身高等生長發(fā)育問題就診哈爾濱醫(yī)科大學(xué)附屬第六醫(yī)院的患兒 300例，其中男童97例，女童203例；年齡1～18歲，平均年齡：8歲9月，其中7～12歲占比最多，為71.67％；納入標(biāo)準(zhǔn)：①兒童年齡1～18歲；②左手（包含左手掌骨、指骨、腕骨以及尺橈骨遠(yuǎn)側(cè)骨干3～4cm）正位骨齡數(shù)字化X線攝影片。③手部位擺位及投射點(diǎn)正確，無骨骺缺失。排除標(biāo)準(zhǔn)：①嚴(yán)重骨畸形；②手腕部結(jié)構(gòu)包含不全。

1.2 儀器與方法

儀器采用安健Angell-DR-D-3數(shù)字化Ｘ線攝影機(jī)，入組病例均行左手后前位X線平片檢查，為保證檢查結(jié)果的一致性，所有研究對象均使用同一型號DR儀器進(jìn)行檢查，并且技術(shù)人員均通過相應(yīng)技術(shù)操作培訓(xùn)。具體方法如下：①左手腕部正位X線片，圖像包含左手及腕部骨關(guān)節(jié)全部，也包括尺橈骨遠(yuǎn)端（橈骨和尺骨遠(yuǎn)端暴露≥3 cm）。②左手掌面向下緊貼床面，中指長軸與前臂長軸呈一條直線，五指自然分開，拇指與手掌約呈30°角。攝影焦片距控制在75 cm左右，并使用遮光柵。③球管十字定位中心線與手掌垂直，正對第三掌骨頭進(jìn)行投照，焦片距保持在合適范圍，避免骨骺重疊[3]。④將骨齡片通過DICOM格式導(dǎo)入PACS系統(tǒng)中。

1.3 AI 支持系統(tǒng)

采用醫(yī)準(zhǔn)醫(yī)療的人工智能系統(tǒng)軟件，掌指骨檢測采用目標(biāo)檢測模型Faster-RCNN，腕骨檢測采用語義分割模型Deeplab v3，各關(guān)節(jié)分類采用backbone為Densenet的序回歸模型。圖像展示關(guān)鍵點(diǎn)位分級評級標(biāo)準(zhǔn)，針對手掌20塊骨頭（13塊掌指骨，7塊腕骨）進(jìn)行識別定位，并對每一塊骨頭進(jìn)行分級。采用醫(yī)準(zhǔn)醫(yī)療的人工智能系統(tǒng)軟件分析，內(nèi)嵌中華05法TW3-C-Rus和TW3-C-Carpal雙重計(jì)算結(jié)果，該系統(tǒng)可以AI單獨(dú)測評，也可以將圖像上關(guān)鍵點(diǎn)位分級評級信息提供給醫(yī)師，由醫(yī)師完成骨齡最終評測。所有X線平片以DCIOM 格式導(dǎo)入AI 支持系統(tǒng)，系統(tǒng)進(jìn)行自動(dòng)骨齡評估（圖1）。

1.4 骨齡測評

標(biāo)準(zhǔn)組：由兩位高年資具有獨(dú)立審核資質(zhì)的影像醫(yī)師組成，首先共同對入組300張骨齡片進(jìn)行骨齡評估，評估方法采用適合中國兒童發(fā)育規(guī)律的中華05法骨齡標(biāo)準(zhǔn)，采用平均值作為參考標(biāo)準(zhǔn)[4]。同時(shí)從打開圖像開始計(jì)時(shí)，直至完成報(bào)告關(guān)閉圖像結(jié)束，記錄期間的評測時(shí)間。

試驗(yàn)組：2位低年資僅具備報(bào)告初寫能力的年輕醫(yī)師共同參與本次骨齡評估。骨齡評測使用中華05標(biāo)準(zhǔn)對入組影像進(jìn)行判讀，醫(yī)師1及醫(yī)師2分別在有無AI輔助下進(jìn)行骨齡評測，審閱所有左手X線平片；分別記錄左手各骨質(zhì)的骨齡發(fā)育等級，并以相同方法記錄時(shí)間。再由2位高年資醫(yī)師聯(lián)合AI輔助，對同一入組數(shù)據(jù)進(jìn)行骨齡評測，并以相同方法記錄時(shí)間?？紤]到所有的醫(yī)生都對入組數(shù)據(jù)進(jìn)行了2次骨齡評估，為減少第1次評估對第2次評估的影響，實(shí)驗(yàn)將兩次評估間隔設(shè)定在2～3月左右。

1.5 統(tǒng)計(jì)學(xué)方法

采用SPSS 26.0統(tǒng)計(jì)分析軟件。本實(shí)驗(yàn)將實(shí)驗(yàn)組與標(biāo)準(zhǔn)組之間的誤差范圍分別定為6個(gè)月組以及12個(gè)月組，即二者骨齡評測結(jié)果在6個(gè)月以內(nèi)或12個(gè)月以內(nèi)定義為結(jié)果一致；分別觀察實(shí)驗(yàn)組與標(biāo)準(zhǔn)組之間誤差在6個(gè)月及12個(gè)月的準(zhǔn)確率及均方根誤差（root mean squared error，RMSE）。采用組內(nèi)相關(guān)系數(shù)（intraclass correlation coefficient，ICC）評價(jià)兩位醫(yī)師分別在有無AI 輔助下評測骨齡結(jié)果的一致性，采用Bland-Altman法比較兩位醫(yī)師分別在有無AI輔助下評測骨齡結(jié)果之間的平均差異。計(jì)數(shù)資料用率表示，分類變量比較采用卡方檢驗(yàn)，檢驗(yàn)水準(zhǔn)α=0.05。

2 結(jié)果

2.1 不同實(shí)驗(yàn)組之間預(yù)測差異分析

2.1.1 兩位醫(yī)師有無AI輔助下誤差在6個(gè)月及12個(gè)月內(nèi)的準(zhǔn)確率 組間判讀結(jié)果比較分析后，顯示在AI輔助下，2位醫(yī)師誤差在6個(gè)月及12個(gè)月內(nèi)的準(zhǔn)確率均有所提高，醫(yī)師1及醫(yī)師2 無AI 輔助，6 個(gè)月及12 個(gè)月診斷正確率分別為77.3%和83%、88.7%和93.7%；醫(yī)師1及醫(yī)師2在AI輔助下，6個(gè)月及12個(gè)月診斷正確率分別為88.7%和90.3%、97%和97.3%；且差異均有統(tǒng)計(jì)學(xué)意義（Plt;0.05）；醫(yī)師1及醫(yī)師2無AI輔助下，RMSE值分別為9和8，醫(yī)師1及醫(yī)師2在AI輔助下，RMSE值分別為6和6；2位醫(yī)師在AI輔助下評估骨齡的RMSE值均減低（表1）。

2.1.2 各組間Bland-Altaman 分析 Bland-Altaman 分析發(fā)現(xiàn)，醫(yī)師1在AI輔助下，95%誤差分布區(qū)間為（-10.964～12.904），無AI輔助的95%誤差分布區(qū)間為（16.674～18.060）。醫(yī)師2在AI輔助下，95%誤差分布區(qū)間為（-9.297～12.197），無AI輔助的95%誤差分布區(qū)間為（-12.982～16.336），說明在AI輔助下，兩位年輕醫(yī)師的評價(jià)結(jié)果與金標(biāo)準(zhǔn)的一致性顯著提高（圖2）。

2.2 2組評測左手骨齡的一致性比較

以標(biāo)準(zhǔn)組評估的月數(shù)為結(jié)局，觀察2位醫(yī)師在有無AI支持下的ICC 值。醫(yī)師1、2+AI組的ICC 值為0.981，醫(yī)師1、2獨(dú)立組ICC 值為0.958，醫(yī)師1、2+AI 組具有更高的一致性（表2）。

2.3 試驗(yàn)組與標(biāo)準(zhǔn)組評測時(shí)間比較

AI輔助下實(shí)驗(yàn)組醫(yī)師和標(biāo)準(zhǔn)組醫(yī)師，平均評測耗時(shí)分別為86.10 s和63.87 s；無AI輔助下耗時(shí)分別為124.79 s和89.13 s；在AI 輔助下平均評測耗時(shí)均有較大幅度減少（表3）。

3 討論

本次研究通過以中華-05為理論基礎(chǔ)，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)模型疊加建立網(wǎng)絡(luò)智能模型，對各個(gè)試驗(yàn)組對比研究，觀察試驗(yàn)組間骨齡評估的準(zhǔn)確性，最終目的是探索出AI與醫(yī)師在實(shí)際臨床工作中，處于何種模式配合下，對于兒童及青少年骨齡評估的臨床應(yīng)用價(jià)值更高，進(jìn)而更有助于臨床對兒童內(nèi)分泌問題的診斷和治療?，F(xiàn)階段，大多數(shù)醫(yī)院依然使用傳統(tǒng)骨齡評價(jià)方法，即計(jì)數(shù)法、圖譜法和計(jì)分法3種方法，計(jì)數(shù)法通過觀察和計(jì)算腕部骨化中心的數(shù)量，推算骨齡，由于誤差較大目前應(yīng)用較少。圖譜法（Greulich-Pyle 圖譜法為代表）是20世紀(jì)初以西方兒童為樣本，通過大樣本追蹤和整理后得出標(biāo)準(zhǔn)骨齡圖譜，再將被檢者的骨齡片與標(biāo)準(zhǔn)骨齡圖譜（即不同年齡層的平均水平）比較[5]，該方法目前使用較廣泛，但除了受不同地域飲食及生活習(xí)慣影響、人種影響，也受醫(yī)師主觀因素影響，同一醫(yī)師或不同經(jīng)驗(yàn)醫(yī)師，評估的結(jié)論均有不同程度差異，可重復(fù)性差。有研究顯示，對同一位醫(yī)師進(jìn)行測試，方法是采用G-P圖譜法對被檢者的骨齡片進(jìn)行2次骨齡評估，2次骨齡評估結(jié)果差異明顯，平均為0.89歲，不同醫(yī)師之間的骨齡評估也具有差異性，差異平均為1.25歲[6-7]；計(jì)分法（中華05法為代表）是我國專家在TW計(jì)分法基礎(chǔ)上于2006年修訂制定，該方法符合我國兒童的發(fā)育特點(diǎn)，評價(jià)骨齡更客觀、準(zhǔn)確，但中華05法在實(shí)際的評價(jià)過程中耗時(shí)、費(fèi)力，因此在實(shí)際工作中應(yīng)用受到一定限制。

近些年來，AI在不同醫(yī)學(xué)領(lǐng)域中的應(yīng)用逐漸上升，AI的深度學(xué)習(xí)在視覺分析和自然語言處理等自動(dòng)計(jì)算領(lǐng)域，取得了顯著突破，在自動(dòng)骨齡評估中已成為目前主流方法。基于深度學(xué)習(xí)的AI骨齡評估模型，屬于一門基于多學(xué)科的新興技術(shù)，可智能檢測模型包括影像體位自動(dòng)檢測、關(guān)鍵骨化中心識別、關(guān)鍵骨化中心評級、生長發(fā)育測評等；根據(jù)我國最新制定的中華-05骨齡評分法，針對本地區(qū)不同人群間掌指骨、腕骨及尺橈骨對應(yīng)特征進(jìn)行訓(xùn)練，設(shè)計(jì)適應(yīng)我國人群新的空間注意力機(jī)制，應(yīng)用通道注意力、輕量級卷積塊注意力、擠壓和激發(fā)注意力及空間注意力[8]等多種機(jī)制處理自然語言、分類圖像 及分割語義等任務(wù)的表現(xiàn)出眾，與原始卷積網(wǎng)絡(luò)比較，可顯著減弱處理高維輸入數(shù)據(jù)時(shí)的計(jì)算負(fù)荷，降低數(shù)據(jù)維度，使網(wǎng)絡(luò)更集中于訓(xùn)練ROI（Re?gion of Interest），使ROI空間注意力的權(quán)重更高，模型訓(xùn)練更加集中；清晰顯示手腕X線片中的關(guān)鍵部位局部信息，提取更強(qiáng)的特征，為進(jìn)一步骨齡評估處理提供基礎(chǔ)。早期研究[9]卷積神經(jīng)網(wǎng)絡(luò)模型的相關(guān)測試，結(jié)果顯示通過一系列深度學(xué)習(xí)算法，可較好地自動(dòng)評價(jià)骨齡。2017年Spampinato C等科研人員[10]通過搭建“Bonet”網(wǎng)絡(luò)，對輸入圖像進(jìn)行點(diǎn)對點(diǎn)的深度骨齡回歸學(xué)習(xí)，首次利用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）模型進(jìn)行自動(dòng)骨齡評估，結(jié)果顯示平均評估誤差低于10個(gè)月。隨著模型不斷發(fā)展，其他研究[11-12]也得到比較大的收獲，諸如AI系統(tǒng)對于5～18歲骨齡評價(jià)一歲以內(nèi)的誤差lt;92.2％。有研究通過分析基于G-P標(biāo)準(zhǔn)AI系統(tǒng)的閱片效率和結(jié)果準(zhǔn)確性，其與金標(biāo)準(zhǔn)相差1歲以內(nèi)的平均比例為84.60%，平均判讀耗時(shí)AI系統(tǒng)僅需要1～2 s，閱片效率和結(jié)果準(zhǔn)確性均有進(jìn)一步的提高[13]。

本研究對入組數(shù)據(jù)的對比研究后顯示：實(shí)驗(yàn)組兩位醫(yī)師診斷正確率由最初的77.3% 和83%、88.7%和93.7%；在聯(lián)合AI輔助后都有明顯改變，上升至88.7% 和90.3%、97% 和97.3%；RMSE 值均有不同程度降低；在本研究中通過Bland-Altaman 分析，觀察兩位醫(yī)師在有無聯(lián)合AI情況下的ICC值，醫(yī)師1、2+AI 組的ICC 值為0.981，醫(yī)師1、2 獨(dú)立組ICC值為0.958，顯示醫(yī)師+AI的組合在骨齡評估環(huán)節(jié)，在結(jié)果間比較中具有更高的一致性，以上研究數(shù)據(jù)對于日后兒童及青少年的臨床復(fù)查有著積極的影響。在時(shí)間方面，不同組別的醫(yī)師在聯(lián)合AI后，平均評測耗時(shí)均有較大幅度減少，閱片時(shí)間上相比于人工有明顯優(yōu)勢。本研究不足之處是樣本量比較小，在年齡層面上大部分局限在7～12歲之間，導(dǎo)致沒有更進(jìn)一步細(xì)化討論各個(gè)年齡層之間的骨齡評估效能。

AI輔助骨齡評價(jià)系統(tǒng)可提高醫(yī)師工作效率，顯著減少閱片時(shí)間，醫(yī)生間結(jié)果一致性得到提升，利于患兒復(fù)查。具有良好的臨床應(yīng)用前景，成為骨齡評估的主要發(fā)展方向。

參考文獻(xiàn)

[1] 何曉芬，唐桂波，李國峰，等. 青海省西寧市青少年腕部骨齡評

價(jià)[J]. 實(shí)用放射學(xué)雜志，2011，27（9）：1396-1398．

He XF，Tang GB，Li GF，et al. Investigation of wrist bone age of adoles?

cent in Xining area of Qinghai Province[J]. J Pract Radiol，2011，27（9）：

1396-1398．

[2] Wicks EC，Menezes LJ，Barnes A，et al. Diagnostic accuracy and

prognostic value of simultaneous hybrid 18F-fluorodeoxyglucose posi?

tron emission tomography/magnetic resonance imaging in cardiac sar?

coidosis[J]. Eur Heart J Cardiovasc Imaging，2018，19（7）：757-767．

[3] Kagioka Y，Yasuda M，Okune M，et al. Right ventricular involve?

ment is an important prognostic factor and risk stratification tool in sus?

pected cardiac sarcoidosis：analysis by cardiac magnetic resonance im?

aging[J]. Clin Res Cardiol，2020，109（8）：988-998．

[4] Tajmir SH，Lee H，Shailam R，et al. Artificial intelligence-assisted

interpretation of bone age radiographs improves accuracy and decreases

variability[J]. Skeletal Radiol，2019，48（2）：275-283．

[5] Berst MJ，Dolan L，Bogdanowicz MM，et al. Effect of knowledge of

chronologic age on the variability of pediatric bone age determined us?

ing the Greulich and Pyle standards[J]. AJR Am J Roentgenol，2001，

176（2）：507-510．

[6] 國家衛(wèi)生健康委員會2019 年1 月25 日例行新聞發(fā)布會文字

實(shí)錄[EB/OL].[2019-01-25].http：//www.nhc.gov.cn/xcs/s7847/201901/

af1b200319ab4d4c9a8281a39a8be37a.shtml.

Transcript of the regular press conference of the National Health Com?

mission on January 25，2019[EB/OL].[2019-01-25].http：//www.nhc.gov.

cn/xcs/s7847/201901/af1b200319ab4d4c9a8281a39a8be37a.shtml.

[7] 張鵬飛，李 輝. 三種骨齡評價(jià)方法在3～17歲兒童臨床應(yīng)用

中的一致性比較研究[J]. 中國循證兒科雜志，2017，12（4）：263-267．

Zhang PF，Li H. Comparison of the consistency of three skeletal age

methods in 3 to 17 years old children[J]. Chin J Evid Based Pediatr，

2017，12（4）：263-267．

[8] Chen L ，Zhang H ，Xiao J，et al．SCA-CNN：Spatial and channelwise

attention in convolutional networks forimage captioning[EB/OL]．

[2017-11-19]．https：// ieeexplore .ieee.org/document/8100150.

[9] Spampinato C，Palazzo S，Giordano D，et al. Deep learning for auto?

mated skeletal bone age assessment in X-ray images[J]. Med Image

Anal，2017，36：41-51．

[10] Spampinato C，Palazzo S，Giordano D，et al. Deep learning for au?

tomated skeletal bone age assessment in X-ray images[J]. Med Image

Anal，2017，36：41-51．

[11] Kim JR，Shim WH，Yoon HM，et al. Computerized bone age esti?

mation using deep learning based program：evaluation of the accuracy

and efficiency[J]. AJR Am J Roentgenol，2017，209（6）：1374-1380．

[12] Lee H，Tajmir S，Lee J，et al. Fully automated deep learning sys?

tem for bone age assessment[J]. J Digit Imaging，2017，30（4）：427-441．

[13] Wang FD，Gu X，Chen S，et al. Artificial intelligence system can

achieve comparable results to experts for bone age assessment of Chi?

nese children with abnormal growth and development[J]. PeerJ，2020，8：

e8854．

（責(zé)任編輯：李青穎）