目的基于深度学习法构建适合平原和高原儿童的骨龄预测模型,并进行临床验证。方法本研究共纳入三个数据集[北美放射学会(Radiology Society of North America,RSNA)数据集,包括训练集12611例、验证集1425例、测试集200例;放射学手部姿...目的基于深度学习法构建适合平原和高原儿童的骨龄预测模型,并进行临床验证。方法本研究共纳入三个数据集[北美放射学会(Radiology Society of North America,RSNA)数据集,包括训练集12611例、验证集1425例、测试集200例;放射学手部姿势评估(Radiological Hand Pose Estimation,RHPE)数据集,包括训练集5491例、验证集713例和测试集79例;自建数据集,包括训练集825例和测试集351例],用于模型的训练和内部验证。自建数据集回顾性纳入北京协和医院(745例,均为汉族)和西藏自治区人民医院(431例,其中汉族114例、藏族317例)共1176例儿童的左手腕部X线影像。此外,研究还纳入了来自尼玛县人民医院的外部测试集(256例,均为藏族),用于模型的外部验证。应用深度学习法构建骨龄预测模型(ethnicity vision gender⁃bone age net,EVG⁃BANet),并采用平均绝对差异(mean absolute difference,MAD)和1岁以内准确率作为模型的评价指标。结果EVG⁃BANet模型在RSNA和RHPE测试集中的MAD分别为0.34岁和0.52岁。在自建数据集中,该模型的MAD为0.47(95%CI:0.43~0.50)岁,1岁以内准确率为97.72%(95%CI:95.56%~99.01%);在外部测试集中,该模型的MAD为0.53(95%CI:0.48~0.58)岁,1岁以内准确率为89.45%(95%CI:85.03%~92.93%)。结论EVG⁃BANet模型在平原和高原儿童中均表现出较高的准确性,具有一定的推广应用价值。展开更多
文摘目的基于深度学习法构建适合平原和高原儿童的骨龄预测模型,并进行临床验证。方法本研究共纳入三个数据集[北美放射学会(Radiology Society of North America,RSNA)数据集,包括训练集12611例、验证集1425例、测试集200例;放射学手部姿势评估(Radiological Hand Pose Estimation,RHPE)数据集,包括训练集5491例、验证集713例和测试集79例;自建数据集,包括训练集825例和测试集351例],用于模型的训练和内部验证。自建数据集回顾性纳入北京协和医院(745例,均为汉族)和西藏自治区人民医院(431例,其中汉族114例、藏族317例)共1176例儿童的左手腕部X线影像。此外,研究还纳入了来自尼玛县人民医院的外部测试集(256例,均为藏族),用于模型的外部验证。应用深度学习法构建骨龄预测模型(ethnicity vision gender⁃bone age net,EVG⁃BANet),并采用平均绝对差异(mean absolute difference,MAD)和1岁以内准确率作为模型的评价指标。结果EVG⁃BANet模型在RSNA和RHPE测试集中的MAD分别为0.34岁和0.52岁。在自建数据集中,该模型的MAD为0.47(95%CI:0.43~0.50)岁,1岁以内准确率为97.72%(95%CI:95.56%~99.01%);在外部测试集中,该模型的MAD为0.53(95%CI:0.48~0.58)岁,1岁以内准确率为89.45%(95%CI:85.03%~92.93%)。结论EVG⁃BANet模型在平原和高原儿童中均表现出较高的准确性,具有一定的推广应用价值。
