Udførelse af den diagnostiske værdi af knoglealdervurderingssoftware baseret på dyb læring hos kinesiske børn

Høj nøjagtighed og præcision af knoglealdervurdering er meget vigtig for diagnosticering og behandlingsovervågning af forskellige pædiatriske sygdomme. De almindeligt anvendte metoder til vurdering af knoglealder omfatter GP-atlas, TW3-score og Zhonghua 05. GP metode er at sammenligne håndledsrøntgenfilm med atlas referencerøntgenfilm. Dens største ulemper er stærk subjektivitet og langt atlas standardinterval. Forskellig fra GP-metoden er TW3-metoden at gradere og score hver knogle, tilføje hver epifyse-score for at beregne den samlede score for knoglemodenhed og opnå den tilsvarende endelige knoglealderværdi. Selvom TW3-scoringsmetoden er relativt nøjagtig, er den kompleks og tidskrævende, og der er stor variation blandt evaluatorer. For at evaluere knoglealderen mere effektivt og præcist kan en metode baseret på computerens billedgenkendelsesteknologi hjælpe med at overvinde disse problemer.

I denne undersøgelse er 1000 børn i alderen 1-18 år fordelt på 5 hospitaler udvalgt som forskningsobjekter. Efter at have taget knoglealderfilm med knoglealderinstrument, registreres filmaflæsningsresultaterne og evalueringstiden for AI-gruppen, den kunstige gruppe og standardgruppen. En måned senere genanalyserer den kunstige gruppe 1000 film ved hjælp af AI-system, og evalueringstiden registreres. Til sidst sammenlignes nøjagtigheden og tidsforskellen for kunstig gruppe, AI-gruppe, kunstig kombineret AI-gruppe og standardgruppe.

Formålet med denne undersøgelse er at bruge den mest avancerede kunstige intelligens dyb læring knoglealder evalueringssoftware til at udforske værdien af ​​knoglealder instrument for at forbedre nøjagtigheden og den diagnostiske effektivitet af knoglealder evaluering af børnelæger.