编辑推荐：
传统基于骨密度（BMD）的成人年龄估计（AAE）受生物变异和方法局限。本研究开发端到端深度学习（DL）流程，用股骨近端 CT 的 BMD 自动 AAE。SAM 分割表现优，CNN 模型验证 MAE 良好，集成学习提升精度，为法医应用提供新框架。
在法医学和人类学领域，准确推断成人年龄对于刑事侦查、身份确认以及老龄化研究至关重要。传统基于骨密度（Bone Mineral Density, BMD）的年龄估计方法，因受性别、种族、遗传、营养、生活方式等多因素影响导致的生物变异性，以及依赖区域平均 BMD 值、忽视骨微结构空间异质性等方法学局限，面临模型泛化能力不足、预测精度有限等挑战。如何突破这些瓶颈，实现更精准、自动化的成人年龄估计（Adult Age Estimation, AAE），成为领域内亟待解决的问题。
为攻克上述难题，西安交通大学 3201 医院医学影像科与司法部法医科学研究院的研究团队，在《Forensic Science International》发表研究，构建了基于深度学习（Deep Learning, DL）的全自动 AAE 框架。该研究利用股骨近端 CT 扫描的 BMD 数据，通过端到端的算法设计，实现了从骨骼分割到年龄预测的全流程自动化，为法医年龄评估提供了新的计算范式。
研究主要采用以下关键技术方法：
- 数据采集：纳入临床 CT 数据集（3201 医院）和尸检 CT（PMCT）数据集（司法部法医科学研究院），共 5151 例样本，涵盖不同性别、年龄群体，确保数据多样性。
- 骨骼分割：采用 Segment Anything Model（SAM）对股骨区域进行精准分割，排除软组织和背景干扰，获取具有生物学意义的骨密度数据，分割性能通过 Dice 系数（0.928）和平均交并比（mIoU, 0.869）验证。
- 年龄预测模型：利用卷积神经网络（Convolutional Neural Networks, CNNs）自动提取 BMD 的空间分布和微结构特征，构建非线性年龄预测模型，并通过集成学习优化模型性能。
研究结果
数据特征
- 训练 - 验证集：4182 例 CT 扫描（男 2379，女 1803），平均年龄 52.52±14.88 岁（20-80 岁）。
- 内部测试集：625 例（男 346，女 279），平均年龄 54.36±14.35 岁。
- 外部尸检验证集：独立样本，用于验证模型跨场景泛化能力。
模型性能
- CNN 模型：交叉验证中平均绝对误差（Mean Absolute Error, MAE）为 5.20 岁（男 5.72，女 4.51）；内部临床测试集 MAE 降至 4.98 岁（男 5.32，女 4.56）；外部尸检验证集 MAE 为 6.91 岁（男 6.97，女 6.69）。
- 集成学习优化：内部测试集 MAE 进一步降低至 4.78 岁（男 5.12，女 4.35），外部验证集 MAE 为 6.58 岁（男 6.64，女 6.37），表明集成策略有效提升预测精度。
方法优势
SAM 的精准分割与 CNN 的特征提取能力结合，克服了传统方法依赖人工特征和线性建模的缺陷，实现了对骨骼老化过程中复杂非线性关系的捕捉。大规模多中心数据集的使用，显著增强了模型的泛化能力，尤其在性别差异分析中表现出对生物学特征的敏感性。
研究结论与意义
本研究成功构建了基于 DL 的全自动 AAE 框架，验证了利用股骨近端 CT 的 BMD 数据进行年龄估计的可行性。通过 SAM 分割和 CNN 建模，有效解决了传统方法中空间异质性分析不足和模型表达能力受限的问题，为法医领域提供了首个从图像分割到年龄预测的全自动化工具。尽管外部尸检数据的 MAE 略高于临床数据，提示模型在极端场景下仍需优化，但其在跨数据集验证中的表现已凸显出临床转化潜力。该研究不仅为人类学和法医学的年龄评估提供了新范式，也为骨骼老化的影像学研究开辟了 DL 应用的新方向，有望推动 AI 在医疗影像辅助诊断领域的进一步发展。
