基于InceptionV3的双输出深度学习模型在骨龄与性别评估中的创新应用

为解决传统骨龄评估方法的局限性，研究人员开发了一种基于InceptionV3架构的双输出深度学习模型，利用手腕部X光片同步预测骨龄和性别。该模型在RSNA 2017儿科骨龄挑战赛数据集上表现优异，骨龄预测均方误差(MSE)为25，平均绝对误差(MAE)为3.1；性别分类准确率达95%，AUC达97%。研究通过Squeeze-and-Excitation模块强化特征管理，ICC达0.997，Cohen's κ系数0.898(p<0.001)，为临床决策支持系统提供了高效解决方案。

　　

手腕部X光影像在骨龄预测领域具有重要价值。针对传统放射学骨龄评估方法的局限性，这项研究构建了创新的多任务预测模型，以数字化的手腕X光片为输入，同步输出骨龄和性别预测结果。

研究团队选择InceptionV3作为基础架构，并采用2017年RSNA儿科骨龄挑战赛的公开数据集进行训练验证。总计14,048例样本按7:2:1的比例划分为训练集、验证集和测试集。模型创新性地引入挤压激励(Squeeze-and-Excitation)模块等专用卷积神经网络(CNN)层，显著提升了特征管理能力。

在性能表现方面，该模型展现出卓越的预测能力：骨龄预测的均方误差(MSE)低至25，平均绝对误差(MAE)仅3.1个月；性别分类任务中达到95%的准确率和97%的受试者工作特征曲线下面积(AUC)。统计指标同样亮眼：骨龄预测的组内相关系数(ICC)高达0.997，性别预测的Cohen's κ系数达到0.898(p<0.001)，显示出极强的可靠性。

该模型通过智能识别共性和独有特征，显著提升了计算效率。虽然研究结果令人鼓舞，但中高端硬件需求可能限制其在基层诊所的本地化应用。未来研究可着眼于扩大数据集规模并优化算法复杂度，以进一步提升临床适用性。