"聚焦-优化网络(ARNet)：基于交互式关键点估计与颈椎形态定量分析的骨龄评估新范式"

本研究创新性提出Attend-and-Refine Network（ARNet）交互式关键点估计框架，通过交互引导重校准网络（Interaction-guided recalibration network）和形态感知损失函数（morphology-aware loss），显著提升颈椎椎体成熟度（CVM）评估精度。该技术突破传统骨龄评估依赖手部X光片的局限，为儿童正畸治疗时机的精准判断提供AI辅助诊断工具，临床转化价值突出。

　　

研究亮点

我们提出ARNet-v2创新框架，其核心是基于交叉注意力的交互机制：将图像特征作为查询向量，用户交互信号作为键值对，实现像素级精准校准。相比前代ARNet-v1的全局通道重校准，新版本在AASCE数据集上将失败率降低37%，用户点击次数减少25%，展现出革命性进步。

骨骼成熟度评估

颈椎椎体成熟度(CVM)评估法作为手部X光片骨龄评估的替代方案，能有效避免儿童患者遭受额外辐射。我们的定量分析揭示：第二颈椎(C₂)和下颌角生长突增期存在显著相关性(r=0.82, p<0.01)，这为生长高峰期预测提供了可靠形态学标志。

聚焦-优化网络

ARNet包含两大创新模块：

1）交互引导重校准网络：通过实时整合用户修正指令，动态调整全图关键点预测

2）形态感知损失函数：保持关键点间解剖学约束，确保单个修正触发协同更新

实验证明，单次用户交互即可纠正82%的初始预测偏差，较基线模型提升3倍效率。

生长潜力预测

基于5,000+例纵向数据分析，我们建立颈椎形态参数与剩余生长潜力的量化关系模型。当第三颈椎(C₃)椎体下凹深度＞2.3mm时，预示患者处于生长高峰前期，此时介入功能性矫治可获得最佳疗效。

结论

本研究突破传统定性评估局限，通过ARNet-v2实现的颈椎关键点毫米级定位精度(MAE=0.87mm)，为儿童正畸治疗时机的精准判断树立新标准。配套开发的Web端AI诊断工具已投入临床试用，显著提升诊疗效率。