Utførelse av den diagnostiske verdien av programvare for vurdering av benalder basert på dyp læring hos kinesiske barn

Høy nøyaktighet og presisjonsvurdering av beinalder er svært viktig for diagnostisering og behandlingsovervåking av ulike pediatriske sykdommer. De vanligste metodene for vurdering av benalder inkluderer allmennlegeatlas, TW3-score og Zhonghua 05. Fastlegens metode er å sammenligne røntgenfilmer fra håndleddet med atlasreferanserøntgenfilmer. Dens viktigste ulemper er sterk subjektivitet og langt atlasstandardintervall. Forskjellig fra GP-metoden, er TW3-metoden å gradere og skåre hvert bein, legge til hver epifysepoengsum for å beregne den totale poengsummen for benmodenhet og oppnå den tilsvarende endelige benalderverdien. Selv om TW3-scoringsmetoden er relativt nøyaktig, er den kompleks og tidkrevende, og det er stor variasjon blant evaluatorer. For å evaluere beinalderen mer effektivt og nøyaktig, kan en metode basert på automatisk bildegjenkjenningsteknologi bidra til å overvinne disse problemene.

I denne studien er 1000 barn i alderen 1-18 år fordelt på 5 sykehus valgt ut som forskningsobjekter. Etter å ha tatt beinalderfilmer med beinalderinstrument, registreres filmlesingsresultatene og evalueringstiden for AI Group, kunstig gruppe og standardgruppe. En måned senere analyserer den kunstige gruppen 1000 filmer på nytt ved hjelp av AI-systemet, og evalueringstiden registreres. Til slutt sammenlignes nøyaktigheten og tidsforskjellen til kunstig gruppe, AI-gruppe, kunstig kombinert AI-gruppe og standardgruppe.

Hensikten med denne studien er å bruke den mest avanserte kunstig intelligens dyplæringsprogramvaren for beinalderevaluering for å utforske verdien av beinalderinstrument for å forbedre nøyaktigheten og diagnostisk effektivitet av beinalderevaluering av barneleger.