基于特征融合深度学习模型的中国西部青少年手腕X射线骨龄评估方法

来自中国西部的研究人员针对青少年骨龄(BA)分类难题，开发了基于手腕X射线图像的特征融合深度学习(DL)模型。通过对比InceptionV3、InceptionV3+SE+Sex等四种网络模型，发现InceptionV3+Bilinear+SE+Sex模型表现最优，测试集准确率达90.48%，在≥16岁组别更实现100%准确率。该研究为14.0、16.0、18.0岁等法定刑事责任年龄判定提供了重要参考依据。

　　

手腕骨骺作为评估青少年骨骼成熟度的黄金指标，这项研究构建了革命性的特征融合深度学习(Deep Learning, DL)框架。科研团队收集了中国西部688例11.00-23.99岁青少年的手腕X光片，采用InceptionV₃网络为基底，创新性地整合了通道注意力机制(Squeeze-and-Excitation, SE)、性别参数(Sex)和双线性特征交互(Bilinear)模块。

令人振奋的是，InceptionV₃+Bilinear+SE+Sex复合模型在测试集展现出90.48%的精准分类能力，特别是在16.0≤年龄<18.0岁和≥18.0岁组别实现完美判定。该技术突破对司法实践中14.0、16.0、18.0岁这三个关键刑事责任年龄节点的界定具有里程碑意义，为法医人类学提供了智能化的骨龄(Bone Age, BA)判读新范式。