骨龄软件

随着计算机硬件的快速更新及图像处理技术的发展，利用计算机技术智能评估骨龄成为研究热点和趋势。通过建立手腕部各骨发育期图像的数字化标准，人工智能评估骨龄评测软件系统利用计算机数字影像及模式识别技术，对图像进行预处理、分割、特征提取等，将得到的数据与标准数据库进行对比，实现自动评估骨龄。

1994年Tanner等提出计算机辅助骨龄分析软件系统(computer-assisted skeletal age scores， CACAS)，使骨龄评估的速度及稳定性得到较大提升。1997年Mahmoodi等提出通过建立知识的活动形状模型(ative shape model, ASM)来评估骨龄。2003年Niemeijer等基于TW2法对骨骼发育各阶段建立平均形状模型，通过形状和纹理信息实现骨龄自动评估。2007年Hsieh等采用反向传播算法，以径向基函数和支持向量机(support vector machine, SVM)神经网络(neural network， NN)评估指骨骨龄，结果显示该法评估骨龄的准确率高于腕骨评估。2009年Thodberg等研发出全自动骨龄评估系统——Bone Xpert，该系统由3层不同功能的架构组成，评估准确率较高。2013年Harmsen等采用SVM结合原型图像交叉相关的方法设计半自动骨龄评估系统，极大提高了分类器性能。2017年Spampinato等对现有的卷积NN(如OverFeat、GoogLeNet、OxfordNet)进行测试，结果显示深度学习算法可较好地自动评估骨龄。2018年Darmawan等使用混合人工智能模型粒子群优化人工NN评估骨龄，效果优于单纯人工NN模型，且超过单个人工智能模型。

1998年原第四军医大学(现中国人民解放军空军军医大学)研制出计算机骨龄辅助评估系统，具备自动查表和计算功能。1999年谢吉等将CHN骨龄评估法计算机化，结果显示人工智能与人工评估法评估骨发育分级的一致性较好，且相对更为省时。2001年台湾国立清华大学研发了自动骨龄评估系统，但仅对7岁以下儿童的评估效果较好。2003年王珂等应用ASM改善边缘检测效果，将CHN标准转化为数字特征来评估骨龄，提高了结果的稳定性及正确率。2004年李孝诚等首次应用插值法将骨成熟度评价标准连续化，而后使用MATLAB语言实现算法评估骨龄，结果显示该法有利于提高评估精准度及速度。2006年刘裕恒等采用叶氏法研发出“中国儿童骨龄评估系统”，并发现计算机评估骨发育等级的一致性明显高于人工法。2014年王亚辉等采用SVM自动评估尺骨、桡骨远端骨骺发育分级，极大提高了读片效率。

3.2 优势 传统骨龄评估方法因受医师经验水平等因素限制，无法精准、快速地得出结果，而人工智能方法可解决上述难题。蔺芳琴等采用BoneXpert软件对434例2.5～15.0岁儿童进行骨龄评估，结果显示BoneXpert软件评估迅速，无主观性，适用于我国儿童。2017年Spampinato等利用多种深度学习网络算法对骨骼图像进行识别，并首次应用CNN模型评估青少年腕关节骨龄，结果显示人工读片与计算机之间仅存在0.79岁的误差，实现了浅层学习向深度学习的过渡。随后，Lee等对此项研究进行优化，提出一种全自动CNN深度学习平台，提升了人工智能评估骨龄的速度及准确率。2018年刘鸣谦等报道，以基于多维度数据特征融合的骨龄评估模型检测到的骨龄平均绝对误差为0.455，优于传统方法和仅端到端的深度学习方法。相比传统的机器学习特征提取方法，基于特征提取的深度卷积NN在骨龄回归模型中表现更好，结合人口和性别信息可进一步提升基于图像的骨龄评估准确率。因此，人工智能评估骨龄切实可行，精准便捷。

随着计算机学习方法及NN模型的改进升级，人工智能已在众多领域应用和发展。在医学领域，应用人工智能技术检测糖尿病视网膜病变、恶性黑色素瘤等已取得成功，诊断准确率达到专业医师水平。准确评估骨龄关系到疾病的诊断与治疗，未来将继续优化骨龄评估方法，通过收集大样本、多地域、多种族的大数据,建立符合本地区的数据库，完善评估标准。