深度解析医学证据，lxfs.net为你支撑决策 骨龄评估是儿科、骨科及法医学中衡量骨骼成熟度的重要工具，对于诊断生长障碍、监测青春期发育及指导生长激素等治疗决策具有关键意义。传统的Greulich-Pyle图谱法虽应用广泛，却高度依赖评阅者经验，存在显著的观察者间和观察者内变异，而Tanner-Whitehouse法则耗时较长，难以满足繁忙临床工作流程的需求。近年来，基于深度学习的卷积神经网络模型在骨龄评估领域取得迅猛发展，多数模型在健康人群数据集上表现优异，平均绝对误差常低于6个月，但其对真实临床中伴有病理性骨骼改变的罕见生长障碍患儿的泛化能力始终令人担忧。 为填补这一空白，Rassmann等人此前开发了开源深度学习系统Deplasia，该系统采用EfficientNet架构的集成模型，并以性别信息作为协变量，在骨骼发育不良人群中完成初步验证。本研究则进一步将Deplasia应用于两个外部、诊断极为复杂的儿科临床队列，旨在系统评估其在罕见综合征、内分泌疾病及溶酶体贮积症中的准确性、稳健性和可靠性，并与多位不同资历的人类专家评阅者进行直接比较。 本研究回顾性收集了来自德国多个中

小提示：本篇资讯仅在梅斯医学APP中开放阅读，请扫描二维码直接下载APP