文献速递骨肌儿科影像DR

深度学习自动测量股骨头骨化中心并建立儿童生长曲线

Deep learning-based automatic measurement of the femoral head ossification center in healthy Korean children: development of a novel radiographic growth chart.
PubMed 文献 · Eur Radiol · 2026-01-13

回顾性纳入1705名健康韩国儿童骨盆正位片,开发并验证三阶段深度学习算法自动测量股骨头骨化中心最大横径。AI测量与放射科医师手工测量一致性高,平均差异在±0.5 mm以内,95%一致性界限在±3 mm以内。基于AI测量建立分性别百分位生长曲线,女性调整R²=0.927,男性调整R²=0.934。

要点

  • AI自动测量股骨头骨化中心横径与医师测量临床可互换,阅片时可辅助标准化评估。
  • AI生长曲线可提供5th–95th百分位参考值,用于判断骨化中心是否落后于同龄儿童。
  • 骨化中心小于预期时提示需进一步排查LCP病、DDH并发股骨头坏死等。

核心结论

  • 深度学习算法可自动、可重复地测量股骨头骨化中心大小,与放射科医师测量高度一致,AI测量生长曲线可为儿童髋关节发育提供标准化参考。

研究设计与样本

  • 回顾性单中心研究,纳入1705名健康韩国儿童(平均年龄5.1±3.3岁;女性841名,男性864名),采用EOS系统骨盆正位片,按患者级随机分为训练集910例、验证集195例、测试集600例,参考标准为一名22年经验放射科医师的手工测量。

关键影像表现/征象

  • 股骨头骨化中心大小为股骨近端骨骺最大横径,测量径线从内侧缘至股骨头最外侧点。
  • 骨化中心大小随年龄增长呈强正相关,女性r=0.955(p<0.001),男性r=0.960(p<0.001)。
  • 左右侧股骨头骨化中心与年龄相关性几乎一致,左侧r=0.957,右侧r=0.958,无显著侧别差异(Z=-1.309,p=0.191)。
  • AI与医师测量Bland-Altman分析显示无比例偏倚或异方差性,年龄分层中各组均超过95%配对测量落入95%一致性界限内。

诊断标准与关键数值

  • 整体一致性:女性CCC=0.996(95%CI 0.995–0.997),MAE=0.785 mm(95%CI 0.742–0.830),RMSE=0.950 mm(95%CI 0.885–1.025);男性CCC=0.997(95%CI 0.996–0.997),MAE=0.792 mm(95%CI 0.751–0.836),RMSE=0.963 mm(95%CI 0.890–1.046)。
  • Bland-Altman偏倚:女性-0.02 mm,95% LoA为-1.89至+1.89 mm;男性-0.05 mm,95% LoA为-1.93至+1.83 mm。
  • 年龄分层平均差异范围:女性-0.43至+0.20 mm,95% LoA跨度-3.24至+2.38 mm;男性-0.23至+0.18 mm,95% LoA跨度-0.20至+2.14 mm。
  • 生长曲线预测精度:女性调整R²=0.927,年龄组MAE 1.77–2.98 mm、RMSE 2.28–3.54 mm;男性调整R²=0.934,年龄组MAE 1.60–3.01 mm、RMSE 2.00–4.10 mm。
  • 建立0.5–11岁健康韩国儿童股骨头骨化中心大小的5th、10th、25th、50th、75th、90th、95th百分位参考值表。

临床应用与阅片要点

  • 该AI生长曲线可作为客观参考判断儿童髋关节发育是否落后,减少手工测量观察者间变异。
  • 股骨头骨化中心小于同龄预期时,LCP病可借此提示进一步行MRI或骨显像检查。
  • DDH闭合复位后随访中,骨化中心过小可作为股骨头缺血坏死风险的替代指标。
  • 生长曲线基于韩国儿童EOS系统图像,应用于其他人群或普通DR设备时需先验证。

局限性

  • 回顾性单中心韩国儿童数据,外部推广至不同种族、机构、设备及成像条件需多中心验证。
  • 参考标准仅由一名放射科医师测量,未评估观察者内及观察者间一致性,也未与多名医师直接对比。
  • 仅用2D骨盆正位片,无法完全反映股骨头三维形态;预测模型仅纳入实际年龄,未纳入骨龄、体重等参数。
全文中译14 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Eur Radiol. 2026 Jan 13;36(6):4989–99. doi: 10.1007/s00330-025-12263-z

引言

在大多数常规临床实践中,常规骨盆X线摄影是评估儿童髋关节的主要影像学检查方式([1–3])。然而,儿童髋关节在生长过程中随着骨化中心的出现和成熟会发生进行性的形态学变化[4]。因此,仔细而准确的解读需要结合患者的发育阶段来评估髋关节形态、股骨近端形状及骨化程度([5, 6])。髋关节的各种X线角度和线性测量被常规用于诊断和监测髋关节异常([7–11])。此外,股骨头骨化中心(FHOC)的出现——据报道50%的婴儿在4个月时出现,95%在7–8个月时出现——是评估骨骼发育不良、内分泌疾病和发育性髋关节发育不良(DDH)等疾病的重要指标([12, 13])。

尽管其具有重要的临床意义,既往研究主要关注FHOC出现的时间和对称性,针对婴儿期至青春期FHOC大小随年龄变化的研究十分有限[14]。既往研究表明,包括FHOC大小在内的手动X线测量存在局限性,如观察者间和观察者内变异[9]、大规模评估耗时较长[15],以及由于解剖标志不明确或图像质量不一导致的重复性降低[16]。这些挑战凸显了对自动化、标准化测量方法的需求,以减小人为变异并提高效率。人工智能(AI)的最新进展已在儿科肌肉骨骼影像中展现出良好的性能,包括自动化骨龄评估、生长板检测和骨骼分割([17–19])。这些基于AI的方法已显示出提高重复性、减少对观察者依赖以及显著加快测量工作流程的潜力。利用类似的方法进行FHOC评估,有可能克服手动测量的固有局限性,从而在临床和研究环境中实现一致、客观且可扩展的评估。

鉴于上述考虑,本研究旨在开发一种基于深度学习(DL)的算法,以实现准确且可重复的FHOC大小测量,并建立健康儿童的X线生长图表。通过利用先进的图像分析技术,该方法旨在提高儿童髋关节评估的客观性和效率,为各种儿童髋关节疾病的精确诊断和适当随访提供标准化的参考值。

材料与方法

研究对象

这项回顾性研究获得了机构审查委员会的批准,由于使用的是为常规患者诊疗获取的、已去除身份标识的既有临床数据,且对受试者风险极小,该委员会免除了知情同意和/或父母同意的要求。我们手动检索了大学医学中心的影像归档与通信系统(PACS),以确定2018年至2024年间获取的健康韩国儿童前后位(AP)骨盆X线片。健康儿童定义为根据2017年韩国国家生长图表[20],身高和体重处于同年龄同性别第3至第97百分位之间,无影响骨骼发育的肌肉骨骼或全身性疾病史——包括慢性疾病、内分泌疾病、神经肌肉疾病、内在性骨病、代谢性疾病、既往骨骼创伤或手术——且骨盆X线片无异常发现。此外,仅纳入骨盆旋转和倾斜在正常范围内的X线片(骨盆旋转指数0.56–1.8,骨盆倾斜指数0.75–1.2 [21]),以确保解剖位置一致。所有X线片均使用EOS成像系统采集,该系统可提供低剂量、几何失真极小的X线片[22]。尽管EOS检查通常包括前后位和侧位视图,但本研究仅使用二维前后位骨盆X线片。

深度学习模型训练与评估

开发了一种三级级联的基于深度学习的算法,用于从前后位骨盆X线片中分割股骨头骨化中心(FHOC)并自动测量其大小(图1)。在第一阶段,训练了一个感兴趣区域(ROI)检测网络,以定位包含左右FHOC的边界框。在第二阶段,训练了一个图像分割网络,在每个检测到的ROI内分割FHOC。在第三阶段,后处理算法从分割掩膜中检测关键标志点,然后基于这些标志点计算FHOC大小。所有训练和测试程序均在单块配备80 GB内存的NVIDIA A100 GPU上完成。关于目标检测和分割网络的模型架构、数据预处理及训练程序的更多细节见补充附录S1和S2。补充附录S3介绍了标志点检测算法。相关代码可在 https://github.com/ACSLab123/FHOCAI 获取。

该数据集由1705张来自1705名不同儿童的去标识化骨盆前后位X线片组成。这些影像被随机分为训练(n = 910,53.4%)、验证(n = 195,11.4%)和测试(n = 600,35.2%)子集,并采用严格的患者级别划分,以防止子集之间出现参与者重叠。测试集进一步分层为24个年龄和性别特异性亚组(12个年龄组 × 2种性别),每个性别各亚组约含25名参与者,从而在左右髋关节评估中产生均衡的50个双侧骨盆测量样本。所有模型评估和统计分析均仅在该独立测试集上进行,以确保无偏倚的性能评估和统计有效性。该抽样策略与儿科形态测量研究中已确立的方法学一致(如Wegener等 [23]),为评估AI衍生测量与放射科医师测量之间的一致性提供了均衡的亚组代表性和足够的统计效能。对于DL模型开发,FHOC边界框和分割掩膜由四名接受过肌肉骨骼影像判读训练的医学数据标注员在一位具有22年经验的委员会认证放射科医师监督下手动标注。数据集在标注员之间进行了分配,所有标注均由监督放射科医师系统审核并确认。

图1 级联DL算法流程图及FHOC分割代表性示例。a 所提方法的逐步流程,包括ROI提取、FHOC分割和FHOC尺寸测量。FHOC尺寸计算为分割出的骨化中心上两个自动检测的皮质标志点之间的最大横径(完整算法细节见补充附录S3)。b 不同阶段FHOC分割结果示例,展示了模型精确勾画FHOC边界的能力。FHOC,股骨头骨化中心;ROI,感兴趣区 查看原图 ↗

FHOC尺寸测量

FHOC尺寸定义为股骨近端骨骺的最大横径,即从股骨头内侧缘到最外侧点的线性距离。该测量捕获骨化中心的最大宽度,这一维度反映了整体形态学发育,并与髋关节成熟和骨骼生长密切相关,且已在先前的儿科肌肉骨骼研究中得到验证([23, 24])。此外,该指标对发育性髋关节发育不良(DDH)和Legg–Calvé–Perthes(LCP)病等病理状态下的生长障碍具有敏感性([23, 25, 26])。

为建立参考标准,测试集中的FHOC尺寸由一位具有22年经验的委员会认证放射科医师使用临床PACS工作站手动测量。在手动评估期间,该放射科医师对AI衍生测量结果设盲,以防止潜在偏倚。

评估指标与统计分析

评估指标根据医学图像分析中的既定实践选择,并针对每项具体任务进行定制。所有统计分析均使用Python完成 [27],p < 0.05被认为具有统计学意义。

评估指标

ROI检测采用平均精度均值(mAP)进行评估,该指标可在不同置信度阈值下综合衡量目标定位精度。分割性能采用Dice相似系数(DSC)[28]和豪斯多夫距离(HD)[29]进行评估,分别反映区域重叠度和边界准确性。标志点检测精度采用平均径向误差(MRE)[30]和成功检测率(SDR)[31]进行评估,两者分别量化平均定位精度和稳健性。

一致性与亚组分析

AI衍生的FHOC大小测量值与放射科医师测量值之间的一致性采用一致性相关系数(CCC)进行评估,该系数评估围绕一致性线的吻合程度;同时采用Pearson相关系数(r)衡量线性关联而不考虑偏倚;并以平均绝对误差(MAE)和均方根误差(RMSE)作为绝对差值和平方差值指标加以补充。采用Bland–Altman分析来表征测量偏倚和95%一致性界限(LoA),为临床可互换性评估提供支持。另进行了补充性配对t检验以比较两种方法的均值测量结果,其结果仅供参考,而一致性指标作为主要评估工具。为评估亚组差异,采用Fisher's Z检验[30]对基于性别(男 vs 女)和基于侧别(左 vs 右)分组的相关系数进行统计学比较。此外还进行了基于侧别的Bland–Altman分析,以评估左侧与右侧髋关节之间的测量一致性。

预测建模

在预测建模方面,对AI衍生的FHOC大小测量值进行了带多项式生长曲线的分位数回归分析,并施加单调非递减约束以确保生长轨迹具有生物学合理性。生成了百分位曲线(第5、10、25、50、75、90和95百分位),模型性能采用校正R²、MAE和RMSE进行评估,以同时反映解释力和预测精度。

结果

研究参与者

通过PACS审查初步确定的1770例骨盆正位X线片中,根据预设的纳入和排除标准排除了65例,最终纳入1705名健康韩国儿童(图2)。其中,910名儿童分配至训练集(平均年龄±标准差[SD]:5.18±3.48岁;年龄范围:0.5–12岁;男性441名,女性469名),195名儿童分配至验证集(平均年龄±SD:5.16±3.47岁;年龄范围:0.5–12岁;男性108名,女性87名),600名儿童分配至测试集(平均年龄±SD:5.23±3.48岁;年龄范围:0.5–11岁;男性315名,女性285名)。参与者特征汇总见表1。

图2 参与者筛选流程图 查看原图 ↗
表1 参与者特征 查看原表 ↗

分阶段验证性能

三阶段级联深度学习流水线在所有阶段均表现出一致的性能,定量结果汇总于表2。按年龄组和性别分层的代表性分割结果见补充图1和补充图2。

表2 用于FHOC大小测量的三阶段级联深度学习算法的分阶段验证性能 查看原表 ↗

FHOC大小的自动测量

一致性分析表明,AI 与放射科医师测量的 FHOC 大小之间具有强相关性(女性:CCC = 0.996,95% 置信区间(CI):0.995–0.997;r = 0.996,95% CI:0.996–0.997;MAE = 0.785 mm,95% CI:0.742–0.830;RMSE = 0.950 mm,95% CI:0.885–1.025;男性:CCC = 0.997,95% CI:0.996–0.997;r = 0.996,95% CI:0.996–0.997;MAE = 0.792 mm,95% CI:0.751–0.836;RMSE = 0.963 mm,95% CI:0.890–1.046)。Bland–Altman 分析显示平均偏倚极小(女性:–0.02 mm;男性:–0.05 mm),95% 一致性界限(LoA)较窄(女性:–1.89 至 –1.89 mm;男性:–1.93 至 +1.83 mm),且未发现比例偏倚或方差不齐的证据,表明 AI 与放射科医师的测量结果在临床上可互换使用。

为进一步评估不同发育阶段的一致性,按每种性别的 12 个预设年龄亚组分别绘制 Bland–Altman 图。两种性别的平均差异在各亚组中均较小(女性:–0.43 至 +0.20 mm;男性:–0.23 至 +0.18 mm),各年龄组的 LoA 范围分别为 –3.24 至 +2.38 mm 和 –0.20 至 +2.14 mm。在所有亚组中,超过 95% 的配对测量值落在各年龄组的 95% LoA 范围内,且未观察到偏倚随年龄增长的系统性趋势。

作为补充分析,配对 t 检验显示 AI 与放射科医师测量值之间的平均差异无统计学意义(p > 0.05),支持所观察到的一致性。然而,鉴于 FHOC 大小的生长相关变异性,信度评估主要采用一致性指标而非假设检验。基于侧别的分析显示,在所有年龄组中,左侧与右侧髋关节的一致性相当。详细结果见表 3、图 3 和补充图 3–6。

图 3 在整个测试集中按性别和侧别分层,比较参考标准与 AI 所得 FHOC 大小测量值的 Bland–Altman 图。x 轴表示两种测量值的均值(mm),y 轴表示其差值(mm)。蓝色虚线表示两种测量值之间的平均差(偏倚)。红色和绿色虚线分别表示 95% 一致性上限和下限。a 按性别分层。b 按侧别分层。FHOC,股骨头骨化中心 查看原图 ↗
表 3 使用参考标准和 AI 驱动方法测量的 FHOC 大小在性别和侧别间的相关性 查看原表 ↗

基于 AI 生长曲线的 FHOC 大小预测建模

FHOC 大小与实足年龄在女性(r = 0.955,p < 0.001)和男性(r = 0.960,p < 0.001)儿童中均呈强正相关。统计比较显示,男性和女性儿童在实足年龄与 FHOC 大小之间的相关性无显著差异(Z = –0.284,p = 0.777),提示两性具有相似的年龄相关生长模式。同样,左侧和右侧 FHOC 与年龄的相关性几乎一致(左侧:r = 0.957,p < 0.001;右侧:r = 0.958,p < 0.001),且无显著侧别差异(Z = –1.309,p = 0.191),提示两侧生长轨迹一致。

图4展示了女性和男性股骨头骨化中心(FHOC)大小的分位数回归生长曲线。由这些分位数回归得出的女性和男性FHOC大小的参考范围(第5、50和95百分位数)见表4。模型性能显示出较高的解释力,女性校正R²为0.927,男性为0.934。进一步在12个年龄组中评估了预测准确性,结果显示MAE和RMSE持续较低(表5)。这些结果支持该模型的稳健性及其在骨骼成熟临床评估中的潜在应用价值。

图4 基于AI测量的健康韩国儿童FHOC大小的分位数回归生长曲线。拟合的百分位数曲线(第5–95百分位)叠加在原始FHOC大小测量值(灰色点)上,展示了其与不同年龄和性别的观测数据分布的一致性。FHOC,股骨头骨化中心 查看原图 ↗
表4 基于小儿骨盆X线片AI测量回归分析得出的健康韩国儿童(0.5–11岁)FHOC大小百分位数值 查看原表 ↗
表5 使用基于回归的生长曲线模型预测各年龄组FHOC大小的误差 查看原表 ↗

讨论

在本研究中,我们开发了一种AI驱动的FHOC大小测量和生长曲线生成方法,从而为小儿髋关节评估提供了一个客观、可重复的参考框架。AI得出的测量结果与放射科医生的测量结果显示出极好的一致性,且在性别和发育阶段之间保持一致。这些结果表明,该自动化系统可作为手动测量的一个稳健且临床可靠的替代方案。

Wegener等人[23]利用仰卧位骨盆X线片的手动测量建立了股骨头骨骺最大直径的参考值。虽然两项研究均证实年龄与FHOC大小之间存在强正相关,但他们报告的FHOC值系统性地大于我们研究人群中观察到的值。这种差异可能源于人群人口统计学特征的不同,因为Wegener等人[23]主要纳入的是欧洲儿童,而我们的研究仅针对韩国儿童。此外,Wegener等人[23]所采用的手动测量方法本身就存在观察者间变异的问题,可能导致测量不一致。相比之下,我们的AI驱动方法能够实现全自动、标准化的FHOC定量,提供一致且不依赖操作者的测量结果。虽然由经验丰富的放射科医生进行手动评估仍是临床标准,但AI系统大幅减少了观察者内和观察者间变异的潜在来源,并可为纵向监测和多中心研究提供可扩展的解决方案。此外,我们的研究通过引入AI衍生的生长曲线和预测模型,超越了传统的规范性生长评估,为小儿髋关节成熟的早期诊断和纵向评估提供了一个客观框架。这些进步使我们的方法成为改善亚洲人群小儿髋关节评估的稳健且具有临床适用性的工具。

除了在评估正常髋关节发育中的作用外,股骨头骨化中心(FHOC)生长图表在特定儿科髋关节疾病中可能具有补充价值。一个具有代表性的例子是Legg-Calvé-Perthes(LCP)病,该病由股骨头血供中断所致。尽管其确切病因尚不明确,但已有研究提示其与反复发作的暂时性滑膜炎存在关联。然而,仅凭平片区分这两种情况通常较为困难[32]。应用FHOC生长图表,FHOC尺寸小于预期值可作为进一步评估(如MRI或骨闪烁显像)的间接指标,从而提高LCP早期检出的可能性。另一个例子是发育性髋关节发育不良(DDH)。在采用闭合复位治疗的患者中,既往研究表明股骨头直径与股骨近端骨骺缺血性坏死(AVN)的发生呈负相关[33]。因此,应用FHOC生长图表识别FHOC尺寸异常偏小的DDH患者,可为随访期间预测AVN风险提供有用的替代标志物。

本研究存在一些局限性。首先,模型是使用来自韩国儿童的回顾性单中心数据开发和验证的,这可能限制了其在不同种族、不同机构以及不同成像条件和方案中的普适性。使用多种族、多中心队列进行外部验证——理想情况下纳入扫描仪类型、图像质量和采集方案的差异——对于确认模型的稳健性和在不同临床环境中的更广泛适用性至关重要。其次,所有参考FHOC尺寸测量均由一名获得委员会认证的放射科医师完成,以确保一致性。然而,未评估观察者内和观察者间的一致性,也未将模型与额外的人工阅片者或传统临床测量方法进行直接比较。未来研究应纳入多名标注者,并将模型性能与专家放射科医师小组进行比较,以量化评定者间信度,并更全面地评估临床等效性和附加价值。第三,分析依赖于二维放射影像,无法完全代表股骨头复杂的三维形态。尽管前后位X线片是临床儿科髋关节评估的标准成像方式,未来工作可探索整合三维成像模态,以更好地表征形态测量特征并验证二维衍生测量的准确性。最后,仅将实足年龄纳入作为FHOC尺寸的预测因素,未纳入其他可能相关的参数,如骨龄、体重或骨骼成熟度指标(如Risser分期)。纳入这些额外参数可能提高生长模型的预测准确性,并允许对发育轨迹进行更个体化的评估。

总之,我们开发了一种AI驱动的方法,用于自动测量股骨头骨化中心(FHOC)大小和评估儿童髋关节生长发育。该模型表现出较高的精度和可重复性,为量化FHOC大小提供了标准化方法。这些AI生成的生长曲线可作为评估儿童髋关节发育的有价值参考,并提高人工影像学评估的客观性和一致性。然而,FHOC大小目前可能仍被视为一个探索性参数。因此,有必要在特定疾病、多中心队列中进行严格的外部验证,以确定该指标能否可靠地为诊断、预后判断或治疗决策提供依据。

补充信息

电子补充材料

引用

  1. Lee, Moon, Kim, et al. Deep learning-based automatic measurement of the femoral head ossification center in healthy Korean children: development of a novel radiographic growth chart. Eur Radiol. 2026. PMID: 41528475. doi:10.1007/s00330-025-12263-z
  2. 全文:PMC13212369(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13212369/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。