Construction and Validation of A Deep Learning-based Bone Age Prediction Model for Children Living in Both Plain and Highland Regions
-
摘要:目的
基于深度学习法构建适合平原和高原儿童的骨龄预测模型,并进行临床验证。
方法本研究共纳入三个数据集[北美放射学会(Radiology Society of North America,RSNA)数据集,包括训练集12 611例、验证集1425例、测试集200例;放射学手部姿势评估(Radiological Hand Pose Estimation,RHPE)数据集,包括训练集5491例、验证集713例和测试集79例;自建数据集,包括训练集825例和测试集351例],用于模型的训练和内部验证。自建数据集回顾性纳入北京协和医院(745例,均为汉族)和西藏自治区人民医院(431例,其中汉族114例、藏族317例)共1176例儿童的左手腕部X线影像。此外,研究还纳入了来自尼玛县人民医院的外部测试集(256例,均为藏族),用于模型的外部验证。应用深度学习法构建骨龄预测模型(ethnicity vision gender-bone age net,EVG-BANet),并采用平均绝对差异(mean absolute difference,MAD)和1岁以内准确率作为模型的评价指标。
结果EVG-BANet模型在RSNA和RHPE测试集中的MAD分别为0.34岁和0.52岁。在自建数据集中,该模型的MAD为0.47(95% CI:0.43~0.50)岁,1岁以内准确率为97.72%(95% CI:95.56%~99.01%);在外部测试集中,该模型的MAD为0.53(95% CI:0.48~0.58)岁,1岁以内准确率为89.45%(95% CI:85.03%~92.93%)。
结论EVG-BANet模型在平原和高原儿童中均表现出较高的准确性,具有一定的推广应用价值。
Abstract:ObjectiveTo construct and validate a deep learning-based bone age prediction model for children living in both plain and highland regions.
MethodsA model named "ethnicity vision gender-bone age net (EVG-BANet)" was trained using three datasets, including the Radiology Society of North America (RSNA) dataset [training set(n=12 611), validation set (n=1425), test set (n=200)], the Radiological Hand Pose Estimation (RHPE) dataset[training set (n=5491), validation set (n=713), test set (n=79)], and a self-established dataset[training set (n=825), test set (n=351)], and it was validated using an external test set. Self-established dataset retrospectively recruited 1176 left-hand DR images of children from Peking Union Medical College Hospital (n=745, all were Han) and Tibet Autonomous Region People's Hospital (n=431, 114 were Han, 317 were Tibetan). External test set included images from People's Hospital of Nagqu (n=256, all were Tibetan). Mean absolute difference (MAD) and accuracy within 1 year were used as indicators.
ResultsEVG-BANet exhibited MAD of 0.34 and 0.52 years in RSNA and RHPE test sets, respectively. In the self-established test set, the model achieved MAD of 0.47 years (95% CI: 0.43-0.50) with accuracy within 1 year of 97.72% (95% CI: 95.56-99.01%). For the external test set, MAD was 0.53 years(95% CI: 0.48-0.58), with accuracy within 1 year of 89.45% (95% CI: 85.03-92.93).
ConclusionEVG-BANet demonstrated high accuracy in bone age prediction, and therefore can be applied in children living in both plain and highland.
-
Keywords:
- bone age /
- deep learning /
- artificial intelligence /
- plateau /
- Tibetan
-
创面是一种常见的组织损伤,愈合过程复杂,且受外界环境、机体健康状况、创面微环境等多种因素影响。国际创伤学会将“无法及时完成正常而有序的修复过程、达到解剖和功能上完整状态的创面”定义为难愈性创面[1]。目前国内多数学者认为,由各种原因导致的经过1个月以上标准治疗仍未能愈合,也无愈合倾向的创面为难愈性创面[2]。在高原地区氧分压低、寒冷等严峻气候环境的影响下,创面易发展为难愈性创面,治疗难度大、周期长。近年来,血小板裂解液(platelet lysate,PL)因具有丰富的促修复活性因子而被广泛应用于组织再生。PL加入凝血酶后可制备成更符合创面治疗要求的凝胶形式即血小板裂解液凝胶(platelet lysate gel,PLG)[3]。本文介绍1例采用PLG治愈的高原难愈性创面病例,并分析其作用机制,旨在为高原难愈性创面的有效治疗提供新思路。
1. 病例资料
患者男性,22岁,因“虫咬伤1个月伴皮肤破溃不愈、加重伴行走受限”于2020年8月19日就诊于新疆阿里地区某中心医院普外科。患者入院3个月前进入海拔4500 m的高原工作,入院1个月前左小腿腓侧皮肤被不明昆虫叮咬,未行特殊处理,局部出现红肿及疼痛并日渐加剧,叮咬处皮肤逐渐形成点状破溃,使用碘伏、红霉素软膏涂抹未见好转,皮肤破溃(创面)面积持续增大,见血性分泌物渗出,且疼痛加剧,影响行走。入院后,诊断为“虫咬性蜂窝组织炎”,给予常规清创(双氧水、络合碘、生理盐水及呋喃西林冲洗创面)及抗感染(口服阿莫西林克拉维酸钾)治疗4周后,创面无明显愈合迹象。
查体:左小腿腓侧可见一大小约2.5 cm×2.5 cm,深约1 cm的创面,创面周围皮肤弥漫性红肿,呈蜂窝样缺损,创面表面可见血性分泌物渗出(图 1),皮温较正常皮肤略高,触痛明显;左下肢行走受限,呈减痛步态。实验室检查:血常规示红细胞5.5×1012/L,血红蛋白140 g/L,白细胞5.9×109/L,血小板150×109/L。
图 1 血小板裂解液凝胶治疗前,患者创面大小约2.5 cm×2.5 cm,深约1 cm,周围皮肤弥漫性红肿,呈蜂窝样缺损,可见血性渗出物Figure 1. Before platelet lysate gel treatment, the size of the wound was about 2.5 cm×2.5 cm, and the depth was about 1cm, and the surrounding skin was diffuse red and swollen, showing honeycomb-like defects, and bloody exudate could be seen诊断与治疗:结合病史、检查结果及诊疗经过,符合难愈性创面诊断标准,为高原难愈性创面。新疆军区总医院输血科受邀会诊,制定了自体血小板裂解液凝胶治疗方案。
自体血小板裂解液凝胶治疗方案:使用四联200 mL一次性使用去白细胞滤器血袋(上海输血技术有限公司,规格型号:TA-RFB T200)采集患者全血200 mL,在大容量低温离心机(ThermoFisher,Heraeus Cryofuge 16)4000×g离心10 min,离心后分三层,最上层为血浆层,最下层为红细胞层,中间薄层为白膜层。将2/3血浆层弃去后,剩余血浆层及白膜层置于转移袋中,并将红细胞保存液袋中的保存液挤入原袋中,与红细胞充分混合后回输至患者体内。将转移袋再次210×g离心10 min,离心后将上层约30 mL血浆转移至红细胞保存液袋中,即为富血小板血浆(platelet-rich plasma,PRP)。将PRP置于-80 ℃低温冷冻24 h后,37 ℃水浴5 min快速解冻,重复完成3个-80 ℃/37 ℃冻融循环,再于室温下4000×g离心20 min,弃去下层血小板碎片,取上清液,使用0.2 μm无菌滤器(ThermoFisher),得到纯化的PL,均分成2份后置于-80 ℃储存,使用前37 ℃水浴3 min快速解冻。取凝血酶冻干粉1支(500 U/支,长春雷允上药有限公司),加入5 mL葡萄糖酸钙(10%,国药准字:H51023153,四川美大康华康药业)注射液溶解,配置成100 U/mL的凝血酶溶液。将快速解冻的PL与凝血酶溶液按体积比9∶1混合均匀,立即均匀平铺至无菌培养皿中,可见PLG形成,周围析出少量上清液,无菌注射器吸取上清液用于创面周围皮下注射。彻底清创处理后,无菌纱布蘸干,将注射器内的上清液于创面周围少量、多点皮下注射(图 2)。继而采用无菌镊子夹取PLG覆盖创面(图 3),再辅以凡士林油纱覆盖,维持创面湿度,外层使用普通干纱布包扎,间隔3 d重复治疗。
治疗3 d后(图 4A)去除纱布可见PLG呈薄膜状完全覆盖创面,创面部分愈合并结痂,红肿明显消退,无脓液渗出;治疗6 d后(图 4B)创面结痂脱落,红肿消退;治疗9 d后(图 4C)创面完全愈合。治疗期间患者疼痛较前减轻,未观察到感染、坏死或其他并发症。
图 4 血小板裂解液凝胶治疗后创面表观变化A.治疗后3 d,创面部分愈合并结痂;B.治疗后6 d,创面结痂脱落,红肿消退;C.治疗后9 d,创面完全愈合Figure 4. Apparent changes in wound surface after platelet lysate gel treatmentA.3 days after treatment, the wound partially healed and scabbed; B.6 days after treatment, the wound scab fell off and the redness and swelling subsided; C.9 days after treatment, the wound was completely healed2. 讨论
本例患者为青年男性,地处高原,虫咬伤后1个月创面未愈并逐渐加重,就诊后给予清创、抗感染治疗1个月无愈合迹象,符合难愈性创面诊断,考虑为高原难愈性创面。
创面修复是受多种因素影响、多细胞参与支持的动态过程,细胞功能的及时、有效启动在其中发挥至关重要的作用。同时,创面修复亦是一个高耗能的过程,需要充足的氧气以保证能量供应,然而即使在常氧环境中,由于局部代谢的成倍增长,加之脉管受损,氧气输送受阻,创面局部仍呈现相对“缺氧”的状态,修复过程往往受阻[4]。高原地区缺氧、紫外线强、寒冷等不利因素进一步阻碍了创面修复进程[5],患者易陷入难以愈合的困境。在高原难愈性创面中,机体因“高原应激”导致细胞功能受损,细胞增殖、生长因子合成等修复反应受阻,且因绝对“缺氧”导致的供能不足及氧化应激反应进一步加剧了细胞功能损伤[5]。此外,高强度的紫外线及寒冷也会对创面造成理化损伤。
高原难愈性创面细胞功能损伤严重,导致清创引流、功能性敷料等多种传统创面治疗手段效果并不理想。该患者就诊后,每日给予清创及抗感染治疗,1个月后仍无明显愈合趋势。以血小板为基础的“生长因子-伤口愈合”治疗模式可促进细胞功能恢复[6-7],既往在糖尿病足的治疗中效果良好[8],为治疗高原难愈性创面提供了新思路。
PRP中血小板浓度为生理水平的3倍以上,血小板α颗粒及致密颗粒内丰富的生长因子、趋化因子等生物活性分子使得其具有组织再生能力。将PRP进一步通过冻融、超声破碎等裂解处理可得到PL,血小板处理后破裂,使得活性因子得到更大程度的释放。裂解后的离心过滤去除了PL中的细胞碎片,因而免疫原性低,安全性更好。此外,PL可在-80 ℃长期储存,而PRP的保质期仅为5 d。PRP与PL均富含高浓度的生长因子,在难愈性创面治疗中均表现良好[9-10],但PL优点突出,在创面修复中更具应用前景[11]。该患者无血液系统疾病,生命体征平稳,血常规指标无异常,血红蛋白>110 g/L,血小板>150×109/L,符合自体血采集制备PL的要求,故为其定制了自体血PLG治疗方案。
液态PL受重力影响,在施用部位停留时间较短,故需将PL制备成胶状的PLG。PLG附着于局部组织,可延长作用时间,并能维持创面湿性愈合。利用PL中的纤维蛋白原形成纤维凝胶是构建PLG的方法之一,首先,通过钙剂激活PRP中固有的凝血酶原,使其转化为凝血酶,可与外源补充的凝血酶共同促进纤维蛋白原转化为聚合紧密的纤维蛋白网络,启动胶凝过程,形成纤维凝胶[3, 12];其次,可促发PL中未充分裂解的残余血小板发生释放反应[13],脱颗粒释放活性分子。凝胶的纤维结构可在一定程度上网络生长因子,控制生长因子的缓慢释放,延长活性分子的作用时间。PLG经过冻融裂解和激活剂的进一步作用,活性因子得到极大释放,富含多种生长因子,可通过促进细胞增殖、迁移、趋化、活化和分化等加快组织再生,在创面修复的临床研究[8, 14]与基础研究中均取得了预期效果[15-16],同时还作为细胞培养的添加物被广泛研究[17]。此外,通过与结构更稳定、机械性能更强的生物材料结合[18-19],还可形成更高效的PLG,但该类方法尚缺乏相应的临床应用证据。通过凝血酶及葡萄糖酸钙激活剂活化方式获得的PLG已有临床应用基础,且制备方法简便,是目前血小板制剂常用的胶凝方式,故本病例采用此方式制备PLG。
将制备PLG过程中析出的上清液通过创面周围(距离创面边缘1~2 cm)皮下多点注射的方式应用于患者创面,可在避免对创面造成机械损伤的前提下促进创面愈合。PLG上清液中高浓度的生长因子可实现创面局部生长因子的快速补充,促进创面细胞功能恢复,并通过PLG中的趋化因子和溶酶体颗粒抑制细菌生长,达到抗感染目的[20-21]。注射后,将制备得到的PLG覆盖于患者创面,并加用传统伤口敷料包扎,在为创面提供活性因子的同时可维持湿性愈合。患者治疗后第3天疼痛即明显缓解,红肿消退,创面部分愈合并结痂,并于第9天实现完全愈合,可见PLG具有高效促进高原难愈性创面愈合的能力,为临床提供了良好借鉴。
作者贡献:刘琪星负责研究设计、数据分析、论文撰写;汪火根负责研究设计、算法构建、数据分析;次旦旺久、土旦阿旺、杨美杰、普琼穷达、杨筱、潘慧负责数据收集;王凤丹负责选题、研究设计、数据收集、指导论文修订。利益冲突:所有作者均声明不存在利益冲突 -
图 3 EVG-BANet骨龄预测值和基准骨龄的Bland-Altman图
A.自建测试集;B.外部测试集
Figure 3. The Bland-Altman plots showing the differences between the estimated BA by EVG-BANet and the ground truth BA
A.self-established test set; B.external test set
EVG-BANet: 同表 3表 1 数据集一般资料
Table 1 Summary information for the datasets
一般资料 RSNA数据集 RHPE数据集 自建数据集 外部数据集 训练集(n=12 611) 验证集(n=1425) 测试集(n=200) 训练集(n=5491) 验证集(n=713) 测试集(n=79) 训练集(n=825) 测试集(n=351) 外部测试集(n=256) 男性[n(%)] 6833(54.18) 773(54.25) 100(50.00) 2372(43.20) 306(42.92) 38(48.10) 473(57.33) 201(57.26) 153(59.77) 女性[n(%)] 5778(45.82) 652(45.75) 100(50.00) 3119(56.80) 407(57.08) 41(51.90) 352(42.67) 150(42.74) 103(40.23) 日历年龄(x±s,岁) - - - 10.35±3.24 10.30±3.24 10.26±3.28 11.79±3.91 11.71±3.98 11.30±5.30 基准骨龄(x±s,岁) 10.61±3.43 10.60±3.48 11.01±3.36 10.25±3.46 10.24±3.46 10.34±3.20 11.20±3.70 11.30±3.97 9.79±5.29 RSNA(Radiology Society of North America):北美放射学会;RHPE(Radiological Hand Pose Estimation):放射学手部姿势评估;-:RSNA数据集未开源提供日历年龄 表 2 自建测试集与外部测试集一般资料
Table 2 Demographic characteristics of the self-established and external test sets
一般资料 自建测试集 外部测试集 总数(n=351) 汉族(n=216) 藏族(n=135) 藏族(n=256) 性别[n(%)] 男性 201(57.26) 110(50.93) 91(67.41) 153(59.77) 女性 150(42.74) 106(49.07) 44(32.59) 103(40.23) 年龄分组[n(%)] 0~6岁 44(12.54) 12(5.56) 32(23.70) 64(25.00) 7~12岁 161(45.87) 110(50.93) 51(37.78) 75(29.30) 13~18岁 146(41.59) 94(43.51) 52(38.52) 117(45.70) 地区[n(%)] 平原 165(47.01) 165(76.39) 0(0) 0(0) 高原 186(52.99) 51(23.61) 135(100) 256(100) 日历年龄(x±s,岁) 11.71±3.98 12.22±3.54 10.90±4.49 11.30±5.30 基准骨龄(x±s,岁) 11.30±3.97 11.88±3.09 10.37±4.95 9.79±5.29 表 3 EVG-BANet在内部和外部测试集中的验证
Table 3 Validation of EVG-BANet in the self-established and external test sets
自建测试集 外部测试集 MAD[(95% CI),岁] 准确率[(95% CI),%] MAD[(95% CI),岁] 准确率[(95% CI),%] 总体 0.47(0.43~0.50) 97.72(95.56~99.01) 0.53(0.48~0.58) 89.45(85.03~92.93) 性别 男性 0.47(0.43~0.51) 97.01(93.62~98.90) 0.57(0.50~0.64) 86.93(80.54~91.83) 女性 0.46(0.42~0.51) 98.67(95.27~99.84) 0.48(0.42~0.53) 93.20(86.50~97.22) 年龄(岁) 0~6 0.48(0.40~0.55) 100.00(91.96~100.00) 0.42(0.35~0.49) 95.31(86.91~99.02) 7~12 0.45(0.41~0.49) 97.52(93.76~99.32) 0.69(0.58~0.81) 78.67(67.68~87.29) 13~18 0.48(0.43~0.52) 97.26(93.13~99.25) 0.49(0.42~0.55) 93.16(86.97~97.00) 民族 汉族 0.47(0.43~0.50) 98.15(95.33~99.49) / / 藏族 0.46(0.41~0.51) 97.04(92.59~99.19) 0.53(0.48~0.58) 89.45(85.03~92.93) 地区 平原 0.46(0.42~0.50) 97.58(93.91~99.34) / / 高原 0.47(0.43~0.51) 97.85(94.59~99.41) 0.53(0.48~0.58) 89.45(85.03~92.93) EVG-BANet(ethnicity vision gender-bone age net):一种新型的自动骨龄预测模型;MAD(mean average difference):平均绝对差异;CI(confidence interval):置信区间 -
[1] Creo A L, Schwenk W F 2nd. Bone age: a handy tool for pediatric providers[J]. Pediatrics, 2017, 140(6): e20171486. DOI: 10.1542/peds.2017-1486
[2] Greulich W W, Pyle S I. Radiographic atlas of skeletal development of the hand and wrist[J]. Am J Med Sci, 1959, 238(3): 393.
[3] Tanner J M, Healy M J R, Goldstein H N C. Assessment of skeletal maturity and 421 prediction of adult height(TW3 method)[M]. London: WB Saunders, 2001.
[4] Escobar M, González C, Torres F, et al. Hand pose estimation for pediatric bone age assessment[C]//Medical Image Computing and Computer Assisted Intervention-MICCAI 2019. Cham: Springer, 2019: 531-539.
[5] Larson D B, Chen M C, Lungren M P, et al. Performance of a deep-learning neural network model in assessing skeletal maturity on pediatric hand radiographs[J]. Radiology, 2018, 287(1): 313-322. DOI: 10.1148/radiol.2017170236
[6] Ren X H, Li T T, Yang X J, et al. Regression convolutional neural network for automated pediatric bone age assessment from hand radiograph[J]. IEEE J Biomed Health Inform, 2019, 23(5): 2030-2038. DOI: 10.1109/JBHI.2018.2876916
[7] Zhou X L, Wang E G, Lin Q, et al. Diagnostic performance of convolutional neural network-based Tanner-Whitehouse 3 bone age assessment system[J]. Quant Imaging Med Surg, 2020, 10(3): 657-667. DOI: 10.21037/qims.2020.02.20
[8] Yang C, Dai W, Qin B, et al. A real-time automated bone age assessment system based on the RUS-CHN method[J]. Front Endocrinol(Lausanne), 2023, 14: 1073219. DOI: 10.3389/fendo.2023.1073219
[9] 文颖, 任旭华, 杨秀军, 等. 基于手腕部影像传统关注特征区域深度学习的人工智能骨龄评估[J]. 中华放射学杂志, 2019, 53(10): 895-899. DOI: 10.3760/cma.j.issn.1005-1201.2019.10.020 Wen Y, Ren X H, Yang X J, et al. Artificial intelligence-based bone age assessment using deep learning of characteristic regions in digital hand radiograph[J]. Chin J Radiol, 2019, 53(10): 895-899. DOI: 10.3760/cma.j.issn.1005-1201.2019.10.020
[10] 宋娟, 宫平, 高畅, 等. 基于深度学习的儿童骨龄智能评估模型构建及初步临床验证[J]. 中华放射学杂志, 2019, 53(11): 974-978. Song J, Gong P, Gao C, et al. Construction and clinical preliminary validation of an automaticbone age assessment model based on deep learning[J]. Chin J Radiol, 2019, 53(11): 974-978.
[11] Lee K C, Lee K H, Kang C H, et al. Clinical validation of a deep learning-based hybrid(Greulich-Pyle and modified Tanner-Whitehouse) method for bone age assessment[J]. Korean J Radiol, 2021, 22(12): 2017-2025. DOI: 10.3348/kjr.2020.1468
[12] Xiao B, Wu H P, Wei Y C. Simple Baselines for Human Pose Estimation and Tracking[M/OL ]. [2023-12-20]. https://citations.springernature.com/item?doi=10.1007/978-3-030-01231-1_29.
[13] Tajmir S H, Lee H, Shailam R, et al. Artificial intelligence-assisted interpretation of bone age radiographs improves accuracy and decreases variability[J]. Skeletal Radiol, 2019, 48(2): 275-283. DOI: 10.1007/s00256-018-3033-2
[14] 拉巴顿珠, 次旦旺久, 边巴次仁, 等. 人工智能骨龄系统提高西藏放射科医师骨龄判读的准确性[J]. 医学影像学杂志, 2023, 33(11): 2061-2065. Laba Dunzhu, Cidan Wangjiu, Bianba Ciren, et al. Artificial intelligence bone age system improves the accuracy of bone age interpretation by Tibetan radiologists[J]. J Med Imaging, 2023, 33(11): 2061-2065.
[15] 次旦旺久, 土旦阿旺, 杨美杰, 等. 海拔高度对儿童及青少年骨龄发育的影响[J]. 基础医学与临床, 2023, 43(4): 636-640. Cidan Wangjiu, Tudan Awang, Yang M J, et al. Influence of high altitude on bone age development of children and adolescents[J]. Basic Clin Med, 2023, 43(4): 636-640.
[16] Halabi S S, Prevedello L M, Kalpathy-Cramer J, et al. The RSNA pediatric bone age machine learning challenge[J]. Radiology, 2019, 290(2): 498-503. DOI: 10.1148/radiol.2018180736
[17] Wang F D, Cidanwangjiu, Gu X, et al. Performance of an artificial intelligence system for bone age assessment in Tibet[J]. Br J Radiol, 2021, 94(1120): 20201119. DOI: 10.1259/bjr.20201119
[18] Wang F D, Gu X, Chen S, et al. Artificial intelligence system can achieve comparable results to experts for bone age assessment of Chinese children with abnormal growth and development[J]. PeerJ, 2020, 8: e8854. DOI: 10.7717/peerj.8854
[19] Redmon J, Farhadi A. YOLOv3: an incremental improvement[DB/OL ]. (2018-04-08)[2023-12-20]. https://arxiv.org/abs/1804.02767.
[20] Li Y H, Yao T, Pan Y W, et al. Contextual transformer networks for visual recognition[J]. IEEE Trans Pattern Anal Mach Intell, 2023, 45(2): 1489-1500. DOI: 10.1109/TPAMI.2022.3164083
[21] Szegedy C, Vanhoucke V, Ioffe S, et al. Rethinking the inception architecture for computer vision[DB/OL ]. (2015-12-11)[2023-12-20]. https://arxiv.org/abs/1512.00567.
[22] Li X, Jiang Y C, Liu Y L, et al. RAGCN: region aggregation graph convolutional network for bone age assessment from X-ray images[J]. IEEE Trans Instrum Meas, 2022, 71: 1-12.
[23] Ji Y F, Chen H, Lin D, et al. PRSNet: part relation and selection network for bone age assessment[C]//Medical Image Computing and Computer Assisted Intervention-MICCAI 2019. Cham: Springer, 2019: 413-421.
[24] Koitka S, Kim M S, Qu M, et al. Mimicking the radiologists' workflow: estimating pediatric hand bone age with stacked deep neural networks[J]. Med Image Anal, 2020, 64: 101743. DOI: 10.1016/j.media.2020.101743
[25] Iglovikov V, Rakhlin A, Kalinin A, et al. Pediatric bone age assessment using deep convolutional neural networks[DB/OL ]. (2018-06-19)[ 2023-12-20]. https://arxiv.org/abs/1712.05053.
[26] Wu E, Kong B, Wang X, et al. Residual attention based network for hand bone age assessment[C]//2019 IEEE 16th International Symposium on Biomedical Imaging(ISBI 2019). Piscataway, NJ: IEEE Press, 2019: 1158-1161.
[27] Nguyen Q H, Nguyen B P, Nguyen M T, et al. Bone age assessment and sex determination using transfer learning[J]. Expert Syst Appl, 2022, 200: 116926. DOI: 10.1016/j.eswa.2022.116926
[28] González C, Escobar M, Daza L, et al. SIMBA: specific identity markers for bone age assessment[C]//Medical Image Computing and Computer Assisted Intervention-MICCAI 2020. Cham: Springer, 2020: 753-763.
[29] Zhang A F, Sayre J W, Vachon L, et al. Racial differences in growth patterns of children assessed on the basis of bone age[J]. Radiology, 2009, 250(1): 228-235. DOI: 10.1148/radiol.2493080468
[30] Ontell F K, Ivanovic M, Ablin D S, et al. Bone age in children of diverse ethnicity[J]. AJR Am J Roentgenol, 1996, 167(6): 1395-1398. DOI: 10.2214/ajr.167.6.8956565