编辑推荐：
为提升成年人年龄估计准确性，研究人员基于骨密度（BMD）开展深度学习多模态融合研究，成果显著。
年龄估计，尤其是在成年人中，从法医到临床应用的不同场景下都面临巨大挑战。骨密度（Bone Mineral Density，BMD）因其与年龄相关的显著变化，已成为该领域的关键标记物。本研究旨在利用结合基于 BMD 的多模态融合策略的深度学习（Deep Learning，DL），提高按时间顺序的年龄估计准确性。
研究方法：对 2015 年 8 月至 2022 年 11 月期间中国人群的 4296 次计算机断层扫描（CT）进行回顾性分析，涵盖腰椎、股骨和耻骨模态。采用融合多模态的 DL 方法自动预测实际年龄。通过 2022 年 12 月至 2023 年 5 月的 644 次内部真实世界临床队列扫描和 351 次外部尸体验证队列扫描来评估模型性能。
研究结果：在单模态评估中，腰椎模态表现突出。然而，多模态模型性能更优，平均绝对误差（Mean Absolute Error，MAEs）更低，皮尔逊 R2 值更高。最优多模态模型在内部验证队列中的 R2 值总体为 0.89，女性为 0.88，男性为 0.90；MAEs 总体为 4.05，女性为 3.69，男性为 4.33。在外部尸体验证中，该模型仍保持良好的 R2 值（总体 0.84，女性 0.89，男性 0.82）和 MAEs（总体 5.01，女性 4.71，男性 5.09），凸显其在不同场景下的通用性。
研究结论：多模态融合与 DL 的结合显著提高了基于 BMD 的成年人年龄估计准确性。这种有效整合多模态 BMD 数据的人工智能系统，为准确的成年人年龄估计（Adult Age Estimation，AAE）提供了强大且创新的工具，有望显著改善老年诊断和法医调查。
