基于深度学习神经网络对不同体质儿童骨龄发育规律的量化分析和应用研究

骨龄是反映儿童生长发育的重要指标之一，骨龄评估（Bone Age Assessment，BAA）及对终身高的预测能及时提示儿童生长发育的状况，特别是对日益增多的肥胖儿童的预警监测有重要的意义。在根据 X 线片判断骨龄和预测终身高的过程中，人眼观察的主观性、二维视觉的局限性和评测数据的繁琐耗时等皆制约着骨龄评估结果的客观性和终身高预测的准确性。 本课题面向儿童生长发育问题的重大需求，针对目前临床 BAA 的上述问题，研究基于深度多级关键点检测网络和多分支深度卷积回归网络的人工智能预测算法，旨在提高骨龄评估的可靠性、快速性和准确性；同时运用人工智能骨龄预测系统，采用儿童身体质量指数（Body Mass Index，BMI），探索不同体质儿童骨龄发育的规律；利用多模态数据，采用随机森林和梯度提升树等机器学习技术探索建立新的终身高人工智能预测模型，为更加客观、精准地预测终身高奠定基础。