Prestaties van de diagnostische waarde van botleeftijdsbeoordelingssoftware op basis van diep leren bij Chinese kinderen

Hoge nauwkeurigheid en nauwkeurige botleeftijdsbeoordeling is erg belangrijk voor de diagnose en behandelingsbewaking van verschillende pediatrische ziekten. De meest gebruikte methoden voor het bepalen van de botleeftijd zijn onder meer de GP-atlas, de TW3-score en Zhonghua 05. GP-methode is om röntgenfilms van de pols te vergelijken met röntgenfilms met atlasreferenties. De belangrijkste nadelen zijn een sterke subjectiviteit en een lang atlasstandaardinterval. Anders dan de GP-methode, is de TW3-methode om elk bot te beoordelen en te scoren, elke epifysaire score toe te voegen om de totale score van botrijpheid te berekenen en de overeenkomstige uiteindelijke waarde voor de botleeftijd te verkrijgen. Hoewel de TW3-scoringsmethode relatief nauwkeurig is, is het complex en tijdrovend, en er is een grote variatie tussen beoordelaars. Om de botleeftijd efficiënter en nauwkeuriger te evalueren, kan een methode gebaseerd op automatische herkenningstechnologie voor computerbeelden helpen om deze problemen op te lossen.

In deze studie zijn 1000 kinderen van 1-18 jaar in 5 ziekenhuizen geselecteerd als onderzoeksobjecten. Na het nemen van botleeftijdsfilms met een botleeftijdsinstrument, worden de filmleesresultaten en evaluatietijd van AI Group, kunstmatige groep en standaardgroep geregistreerd. Een maand later analyseert de kunstmatige groep 1000 films opnieuw met behulp van een AI-systeem en wordt de evaluatietijd geregistreerd. Ten slotte worden de nauwkeurigheid en het tijdsverschil van de kunstmatige groep, de AI-groep, de kunstmatige gecombineerde AI-groep en de standaardgroep vergeleken.

Het doel van deze studie is om de meest geavanceerde kunstmatige intelligentie deep learning botleeftijdevaluatiesoftware te gebruiken om de waarde van het botleeftijdinstrument te onderzoeken om de nauwkeurigheid en diagnostische efficiëntie van botleeftijdevaluatie door kinderartsen te verbeteren.