Objective. To conduct a comprehensive validation of the developed artificial intelligence model for bone age assessment using hand and wrist radiographs in children and adolescents.
Materials and methods. Training a convolutional neural network for bone age regression (in months) using a dataset of hand and wrist radiographs from children and adolescents.
Results. The mean absolute error (MAE) of the model trained exclusively on the RSNA Pediatric Bone Age Challenge dataset (n = 13841) was 6.32 months. After fine-tuning the model on a sample from the PACS system of the Tyumen Regional Clinical Hospital No. 1 (n = 405), the metrics maintained comparable accuracy (MAE = 6.37 months, p = 0.795). However, a key improvement was achieved following the reannotation of the RSNA dataset: training the model on 272 reannotated images resulted in an MAE of 3.13 months. A comparative analysis of the developed model's metrics with domestic and international analogues demonstrated its alignment with the current state of research in the field of automated bone age assessment.
Conclusions. The conducted study demonstrates the high efficacy of the "Bone Age Analyzer" model (MAE = 3.13 months), which surpasses known analogues. The key factors influencing accuracy are the quality of data annotations, the representativeness of the sample, and accounting for sex-specific features of bone maturation. To further improve accuracy, the following are required: expansion of the database, implementation of consensus-based image review, and standardization of radiography protocols. The model is ready for clinical piloting and can significantly enhance the quality of growth disorder diagnosis in children.
Цель. Провести комплексную валидацию разработанной модели искусственного интеллекта для оценки костного возраста по рентгенограммам кисти и лучезапястного сустава у детей и подростков.
Материалы и методы. Обучение сверточной нейронной сети для регрессии костного возраста в месяцах, используя набор данных рентгеновских снимков кисти и лучезапястного сустава детей и подростков.
Результаты. Показатель средней абсолютной ошибки (MAE) модели, обученной исключительно на данных RSNA Pediatric Bone Age Challenge (n = 13841), составил 6,32 месяца. После дообучения модели на выборке PACS-системы ГБУЗ ТО «Областная клиническая больница № 1» (n = 405) метрики сохранили сопоставимую точность (MAE – 6,37 месяца, p = 0,795). Однако ключевое улучшение достигнуто после реаннотации датасета RSNA: обучение модели на 272 реаннотированных снимках позволило достичь MAE – 3,13 месяца. Сравнительный анализ метрик разработанной модели с отечественными и зарубежными аналогами продемонстрировал ее соответствие современному уровню исследований в области автоматической оценки костного возраста.
Выводы. Проведенное исследование демонстрирует высокую эффективность модели «Костно-возрастной анализатор» (MAE = 3,13 месяца), превосходящую известные аналоги. Ключевыми факторами, влияющими на точность, являются качество аннотаций данных, репрезентативность выборки и учет половых особенностей костного созревания. Для дальнейшего повышения точности необходимы: расширение базы данных, внедрение консенсусной экспертизы снимков и стандартизация протоколов рентгенографии. Модель готова к апробации в клинической практике и может существенно повысить качество диагностики нарушений роста у детей.