基于跨架构软投票的侧位头影X线片颈椎成熟度六分类评估框架

《Agronomy》：Cross-Architecture Soft Voting for Cervical Vertebral Maturation Assessment from Lateral Cephalometric Radiographs

　　

颈椎成熟度（CVM）评估对于正畸治疗计划中评估骨骼成熟度具有临床意义，然而人工分期具有主观性并受到观察者间变异的影响。本研究提出一个深度学习框架，用于从侧位头影X线片进行六分类CVM分类，采用架构比较、分布感知多任务学习、原型学习和跨架构软投票。数据集由来自1749例患者的1749张X线片组成，CVM分期标签由两名口腔颌面放射科医师共识分配。首先在仅CVM硬标签交叉熵设置下采用五折交叉验证评估MaxViT-Small、Swin-Base、ConvNeXt-Base和EfficientNetV2-L，并以EfficientNetV2-L作为锚定骨干网络，对三个组件进行全因子消融：基于Kullback–Leibler散度的高斯软标签学习、辅助性别预测和原型学习。各组件并非独立发挥作用：高斯软标签仅在结合辅助性别任务时才改善类别均衡性能，完整公式达到77.82%准确率、60.89% Macro-F1和59.03%平衡准确率，而原型学习的单独贡献在该样本量下无法分辨。随后将同一最终公式应用于四种不同骨干网络，并使用等权重跨架构软投票进行组合。集成模型达到79.82%准确率（95%置信区间77.93–81.65%）、62.49% Macro-F1、59.22%平衡准确率和0.908的二次加权kappa，97.77%的预测位于参考分期的一个分期以内。相对于最佳单一模型，准确率和序数一致性的提升具有统计学支持，而Macro-F1和平衡准确率的提升则未获支持。单一骨干网络独立训练模型的集成未能重现准确率增益，这与架构多样性带来获益相一致；四个成员的必要性尚未确立。总体准确率与平衡准确率之间约20个百分点的差距反映了CS6（61.41%）占优势和代表性不足的早期分期召回率低。所有数值均为内部交叉验证估计，在框架可考虑用于临床之前需要外部验证。

研究背景：颈椎成熟度（CVM）评估在正畸诊断与治疗计划中具有重要作用，尤其在考虑生长改良干预时机时，同时也与儿童生长监测和法医年龄推断相关。仅凭实际年龄可能无法准确反映生物学发育，因为相同实际年龄的个体在骨骼和牙齿成熟度上可能存在较大差异。基于Greulich–Pyle图谱的手腕部评估和基于Demirjian方法的牙龄评估是较为成熟的方法，但这些方法可能需要额外的放射学检查，且依赖耗时的视觉比较或人工评分。CVM评估提供了一种实用替代方案，因其可利用正畸诊断中常规采集的侧位头影X线片完成，无需单独的手腕部X线片。六分期CVM方法通过评估第二、三、四颈椎（C2–C4）的形态学变化将受试者分为CS1–CS6六个分期，主要依据椎体下缘凹陷的发育以及C3和C4由梯形或水平矩形向方形和垂直矩形构型的渐进转变。然而，人工CVM分期存在重要的可靠性问题：生物学成熟是连续过程，而CVM方法以六个离散类别表示该过程；临近两个分期过渡处的X线片可能同时呈现两个类别的形态特征；相邻分期（尤其CS2–CS3、CS3–CS4和CS4–CS5）之间的差异可能很细微，并可能取决于观察者经验以及对椎体凹陷和椎体形态的判读，从而导致观察者内和观察者间变异、参考标签不确定以及不一致主要集中在相邻分期之间。此外，临床数据集中分期频率不均衡可导致总体准确率被常见分期主导，并可能掩盖代表性不足类别的较差性能，因此类别均衡指标如Macro-F1和平衡准确率是评估自动化CVM系统的重要补充。深度学习直接从标注样本中学习图像特征层次结构，而非依据观察者预先定义的测量。在图像分类中，卷积神经网络（CNN）在图像上重复应用小型可学习滤波器，使浅层响应边缘和轮廓而深层响应更大的解剖构型；视觉Transformer（ViT）则将图像划分为图块并通过注意力机制学习远距离区域之间的关系。由于这两个家族对哪些图像关系具有信息性做出不同假设，它们未必在同一X线片上犯相同错误。已发表的CVM系统在呈现给模型的输入上也存在差异，这一选择同时影响性能和临床实用性，主要存在三种策略：使用完整侧位头影X线片作为输入、裁剪C2–C4感兴趣区（ROI）、以及额外分割椎体轮廓或定位解剖标志并衍生形状描述符或测量值后再分类。除非同时考虑输入表示，否则不同研究报告的准确率不能直接比较。已有多项研究分别采用完整头影图像、限制于颈椎区域或替代为测量值的策略，系统综述强调了该文献的异质性：Mathew等报告八项研究的测试准确率从50%到90%以上不等，并在所有研究中识别出偏倚风险问题；Sadeghi等在25项研究中发现数据集、预处理、区域选择和输入表示存在相当大的异质性，其中CS3是最难识别的分期。数据集大小、分期分布、输入表示、观察者协议和评估设计的差异限制了自动化CVM系统之间的直接数值比较。沿与本研究最相关的方法学三条轴线定位，已综述的研究显示：标签分布学习已在iCVM中使用；除此之外，分期的序数结构很少被显式建模，多数研究将六个分期视为独立类别；且已综述的研究均未通过平均概率输出组合架构不同的网络。现代图像分类架构提供了互补机制来表示放射学信息：Swin Transformer使用分层移位窗口注意力、MaxViT结合卷积处理与多轴注意力、ConvNeXt保留卷积结构同时融入当代视觉Transformer的设计原则、EfficientNetV2提供基于优化缩放和融合卷积操作的高效卷积架构。由于这些架构具有不同的归纳偏置，其预测错误可能不完全相同，组合其概率输出可提供比依赖单一网络更稳健的决策。性能还可能受到学习目标公式的影响：传统硬标签交叉熵将六个CVM分期视为独立类别，尽管骨骼成熟是渐进过程且相邻分期可能表现出相当大的形态相似性；相反，分布感知公式可将目标分期表示为以参考类别为中心的概率分布，从而在优化过程中保留关于相邻分期的信息。本研究旨在开发并评估一个直接从完整侧位头影X线片执行六分类CVM分期的深度学习框架，无需实际年龄、人工设计的椎体测量值或人工裁剪的椎体区域；次要目标包括：（i）在相同训练和评估协议下比较卷积和基于注意力的骨干架构；（ii）检验将参考分期表示为相邻分期上的分布而非单一离散标签是否能改善类别均衡性能；（iii）评估辅助性别预测任务和基于原型的表示细化是否对该公式有贡献；（iv）确定通过等权重软投票组合具有不同归纳偏置的架构是否比任何单一架构产生更可靠的分期分配。

研究人员开展的研究与结论：本研究纳入1749张来自1749例患者（年龄6–18岁，平均15.49±2.04岁，中位16岁）的侧位头影X线片，回顾性取自单中心（土耳其Afyonkarahisar健康科学大学牙学院口腔颌面放射科）档案，每例患者仅纳入一张X线片；数据集包括641例男性（36.65%）和1108例女性（63.35%），所有X线片均使用同一设备（Planmeca ProMax 2D）以65 kV、5 mA、14 s采集，图像重采样至384×384像素。CVM分期按Baccetti等六分期方法（CS1–CS6）由两名具有至少五年经验的口腔颌面放射科医师联合评估、共识分配单一分期，初诊不一致的病例重新检查并讨论至达成一致，无第三评判者，放射科医师对实际年龄盲法。研究采用五折交叉验证，折按性别和CVM分期联合分层，训练分区仅应用数据增强。研究首先在仅CVM硬标签交叉熵设置下比较MaxViT-Small、Swin-Base、ConvNeXt-Base和EfficientNetV2-L四种骨干，EfficientNetV2-L在三项主要指标上排名最高（准确率77.24%、Macro-F1 58.77%、平衡准确率56.40%），被用作方法开发的锚定骨干；但各骨干间差距远小于重训练同一配置产生的变化，因此该排名不能确立EfficientNetV2-L优于其他骨干。随后在锚定骨干上进行三组件（CVM目标：硬标签交叉熵或高斯软标签加KL散度；原型学习；辅助性别预测）的完整2×2×2因子消融。结果显示各组件并非独立：分布感知目标与辅助性别任务相互依赖，无辅助任务时高斯目标降低Macro-F1（降低1.41和2.24个百分点），硬标签下辅助任务降低Macro-F1（降低1.95和4.24个百分点），而二者联合使用时各自提升Macro-F1（高斯目标+3.58和+4.90个百分点；辅助任务+3.04和+2.90个百分点）；原型学习在四种情境中的三种提升Macro-F1（+1.46、+0.63和+0.49个百分点），例外为已被该交互作用削弱的硬标签组合。配置8（完整公式）获得最高准确率和Macro-F1，完整公式达到77.82%准确率、60.89% Macro-F1和59.03%平衡准确率；配对bootstrap区间显示原型贡献对三项指标均包含零（如Macro-F1 +0.49，95% CI ?3.07至+4.18），因此原型学习的单独贡献在该样本量下无法分辨，因子结果确立的是组件交互的方向而非按微小差异排序。随后将最终公式（高斯软标签、KL散度、辅助性别预测、原型学习）独立应用于MaxViT-Small、Swin-Base和ConvNeXt-Base，并将四个模型的概率输出按等权重（各0.25）软投票组合。结果显示无单一骨干在所有指标上占优：ConvNeXt-Base给出最高个体准确率（78.16%），EfficientNetV2-L给出最高Macro-F1（60.89%）和平衡准确率（59.03%），四个骨干在序数指标上接近（QWK 0.889–0.898）。集成模型达到79.82%准确率、62.49% Macro-F1、59.22%平衡准确率和96.05%性别准确率；配对bootstrap比较中，集成模型准确率超过最终单一模型2.00个百分点（95% CI +0.63至+3.37）、超过ConvNeXt-Base 1.66个百分点（+0.34至+2.97），其相对单一模型的优势在所有序数指标上均获支持（QWK +0.014，+0.005至+0.023；MAE ?0.029分期，?0.045至?0.014；≥2分期错误?0.86个百分点，?1.49至?0.23），而Macro-F1（+1.61，?1.43至+4.58）和平衡准确率（+0.19）的增益方向一致但区间包含零。集成增益来源分析显示：同一骨干三次运行的集成未产生准确率增益（78.27%，与其最佳成员相同），跨架构集成则超过其1.54个准确率百分点（95% CI +0.29至+2.80）和0.0118 QWK（+0.0043至+0.0198），三个跨架构成员时同样成立；多数投票和秩平均结果接近软投票，软–硬差异未获支持（+0.17个百分点，?0.23至+0.57）；四个架构的错误强相关（平均Yule's Q = 0.909），集成仍低于oracle准确率9.5个百分点，但相对同骨干集成表现出更大分歧、更低错误重合和更高2.6个百分点的oracle上限；在所有两成员和三成员子集中准确率在两个成员时饱和，不含Swin-Base的三成员变体与四成员集成准确率相当且Macro-F1高0.62个百分点，Swin-Base在所有七项加入对比中均降低Macro-F1，但这些差异均未获统计学支持，且因组合在评估前已预先固定而未更改。类别特异预测演化分析显示：集成模型对CS6（F1 0.922）和CS3（F1 0.654）的F1最高，对CS2（0.436）和CS5（0.542）最低；CS2（0.367）和CS5（0.481）召回率最低，CS1尽管仅有28张X线片仍达到0.500召回率；全部X线片中17.95%被错分一个分期、2.23%错分两个或以上分期，因此88.95%的错误（95% CI 85.59–92.10）为相邻分期错误，三张X线片出现三分期错误、无更大错误；沿图3a–c，≥2分期错误率从3.77%降至3.09%和2.23%，第一步（?0.69个百分点，?1.49至+0.11）未获统计学支持，而第二步（?0.86个百分点）和完整流程（?1.54个百分点，?2.34至?0.80，相对降低41%）获得支持，因此该降低归因于公式与集成的共同作用而非仅软标签。错误具有方向性：集成对250张X线片过度分期、对103张分期不足，主要通过CS5→CS6单元（116张，占CS5的43.6%）；非相邻错误集中在CS4→CS6（39张中的19张），而CS5错误数量多但几乎全部为相邻错误；在决定青春期生长突增识别的CS2–CS4区间（381张X线片），集成完全分类正确56.96%、一个分期内91.34%，其非相邻错误率（8.66%）约为总体率的四倍。与失衡缓解策略比较显示：逆频率加权略微提高平衡准确率但降低准确率和Macro-F1，其CS1至CS6权重比约39使CS1精确率从0.640降至0.533；延迟重加权和解耦再训练也未改善类别均衡指标；靶向形态学感知增强是唯一改善类别均衡指标的传统策略；所提公式的类别均衡值高于所有四种策略，但该单变量描述性比较的差异处于折间变异范围内，表明并非统计优越性，而是重加权和重采样在本数据集未产生类别均衡增益，而建模分期序数结构的目标则产生了增益。敏感性分析显示：所有六种软目标条件均超过具有相同辅助组件的硬标签配置（配置4；Macro-F1 55.99%），在σ范围内差异较小（Macro-F1 58.35–62.18%，QWK 0.885–0.894）；相同设置下重训练σ=1.0配置使Macro-F1平均变化4.99个百分点（三个直接可比折），超过σ范围内整个Macro-F1跨度（3.83个百分点），而准确率（1.53个百分点）和QWK（0.0091）变化小得多，因此在数据集规模下无法分辨哪个σ给出名义最高Macro-F1；应用于所有四个架构时σ=1.5的集成在每项指标上均低于已发表集成（准确率?1.20个百分点，QWK 0.9002对0.9076），故保留预先指定的σ=1.0；均匀标签平滑给出QWK 0.867，与最近高斯条件的距离为所有高斯条件跨度的两倍，且在所有三项序数指标上低于所有五个高斯条件，提示按分期顺序重新分配概率质量的安排而非仅其数量对差异有贡献。原型组件分析显示：将λ_proto从0提高到0.1使分类指标变化小于半个百分点，而0.3显著降低指标；所有差异处于运行间变异范围内，QWK随λ_proto略微下降；因此未声称原型项对分类性能有可测量贡献，性能在λ_proto范围内处于平台期，已发表值系预先选定。原型项仍重组了嵌入空间：使留出特征的类别均衡轮廓系数增加一倍以上，五个折中方向相同（Wilcoxon p = 0.0625，为n = 5的最小可达到值），其方式是将类别质心之间的平均余弦相似度移至接近零而非收紧类别；学习原型之间的余弦相似度随分期距离下降（Spearman ρ = ?0.74，p < 0.01，基于折平均相似度矩阵的15个唯一原型对），尽管原型损失本身不包含分期顺序信息，故该排序可能反映高斯目标对表示的影响；每个原型在30个类别–折组合中的25个最接近自身类别质心，例外为CS5，其质心更接近CS6原型，与CS5→CS6错误相呼应；因此原型组件被视为整体公式的一部分而非独立性能来源。按性别和图像格式分析显示：女性患者粗集成准确率高于男性（82.94%对74.41%；差异?8.53个百分点，95% CI ?12.52至?4.49），但这反映病例构成——72.4%女性但仅42.4%男性X线片为CS6（召回率最高的分期）；按总体分期分布直接标准化后符号反转（男性80.04%，女性76.42%），Macro-F1和平衡准确率指向同一方向；实质性差异在于围青春期分期：女性CS4 X线片召回率为24.1%（n = 55）对男性64.8%（n = 105），CS3–CS5平均有符号误差女性为+0.54分期、男性为+0.07（差异+0.47，95% CI +0.36至+0.59），大多数女性CS4 X线片被分配到CS5或CS6，与女性亚组中CS6占优一致；辅助性别头准确率随成熟度增加，从CS1的64.3%到CS4–CS6的96%以上；所有X线片来自单一机构和单一设备，采集来源不能作为混杂因素，按图像格式分层显示尽管格式间分期分布不同（p < 0.001），集成准确率相似（灰度78.96%，RGB 80.46%；差异?1.50个百分点，95% CI ?5.33至+2.33）。遮挡敏感性分析显示：遮挡颈椎柱平均降低准确率2.72个百分点（p < 0.001，相对于周边零假设），表明该区域携带可测量的决策权重，而包含头枕、耳杆、标尺和水印的21个周边单元仅降低0.25个百分点，故所检查的采集相关结构在该协议下对预测影响很小；然而最大下降发生在紧邻颈椎柱前方的面中部和下颌区域（平均5.24，峰值7.78个百分点），且下降从颈椎柱到峰值连续上升，故决策相关区域为单一连续的颅面区域；辅助性别头在不同位置达峰且其图与CVM图仅弱相关（p = 0.62），故该模式反映各头学习到的信息而非操作几何；由于图块跨越图像宽度的四分之一，该分析分辨的是区域而非单个结构。计算成本分析显示：集成包含3.626亿参数，在GPU上每张X线片需要327.6 GFLOPs和97.48 ms，而ConvNeXt-Base（最准确且最快的个体模型）为8820万参数和11.45 ms；因此相对该模型1.66个百分点的准确率增益花费8.51倍延迟（每准确率百分点51.8 ms）和约四倍参数与内存；操作计数不能预测延迟（EfficientNetV2-L操作计数第二低但最慢）；绝对成本较低：GPU峰值内存1609 MB，CPU上仅集成每张X线片约需1.4 s。

技术方法概括：本研究采用单中心回顾性队列的1749张侧位头影X线片（每例患者一张，年龄6–18岁），由两名口腔颌面放射科医师按Baccetti六分期方法共识标注CS1–CS6；采用按性别和分期联合分层的五折交叉验证（患者级划分，固定种子42，折种子为42+折索引）；使用PyTorch 2.11.0和timm 1.0.30的预训练骨干（maxvit_small_tf_384.in1k、swin_base_patch4_window12_384.ms_in22k_ft_in1k、convnext_base.fb_in22k_ft_in1k_384、tf_efficientnetv2_l.in21k_ft_in1k），训练100个epoch，AdamW优化器（学习率1e-4、权重衰减0.05），余弦退火热重启调度器，批大小8，无早停，评估最后epoch参数；训练分区应用随机水平翻转、±10°随机旋转和0.2因子亮度对比度抖动；灰度图像复制为三通道并以均值0.5、标准差0.5归一化；损失函数包括硬标签交叉熵、高斯软标签（σ=1.0分期单位）加KL散度、辅助性别二元交叉熵（权重λ_sex=0.1）和原型交叉熵（权重λ_proto=0.1，原型为1280维可学习参数、欧氏范数归一化后余弦相似度、无温度）；采用等权重（各0.25）跨架构软投票组合四个骨干的六分类CVM概率和性别概率（阈值0.5）；评估指标包括总体准确率、Macro-F1、平衡准确率、加权F1、线性与二次加权Cohen's kappa（QWK）、平均绝对误差（MAE）、±1分期比例和≥2分期错误比例，不确定性通过1749个预测的非参数bootstrap（10,000次重复，种子42，百分位95%置信区间）量化，配置间比较使用配对bootstrap、亚组比较使用分层bootstrap；附加实验包括四种失衡缓解策略、目标分布敏感性、原型权重敏感性、集成增益来源（同骨干集成、两/三成员子集、硬投票与秩投票、多样性统计）、性别与图像格式亚组直接标准化、滑动窗口遮挡（96×96像素图块、步长48、49个位置）以及A100 GPU和CPU上的参数、操作、延迟和内存基准测试。

研究结果：（1）基线评估与骨干选择：EfficientNetV2-L在仅CVM硬标签交叉熵设置下于三项主要CVM指标上排名最高（准确率77.24%、Macro-F1 58.77%、平衡准确率56.40%），ConvNeXt-Base第二（77.02%和58.37%），EfficientNetV2-L被用作消融的锚定骨干；但其对ConvNeXt-Base的边际（0.22、0.40和0.55个百分点）远小于重训练相同配置产生的变化（平均1.53、4.99和3.75个百分点），故该排名不能确立EfficientNetV2-L优于其他骨干。（2）所提组件的因子消融：三组件在锚定骨干上的完整2×2×2因子设计显示组件非独立，分布感知目标与辅助性别任务相互依赖（单独使用时各自降低Macro-F1，联合使用时各自提升3–5个百分点），原型学习在四种情境中的三种提升Macro-F1但配对bootstrap区间包含零，配置8获得最高准确率和Macro-F1，因子结果确立组件交互方向而非按微小差异排序，公式作为整体评估。（3）最终公式跨架构与跨架构软投票：无单一骨干在所有指标上占优，集成模型达到79.82%准确率、62.49% Macro-F1、59.22%平衡准确率和QWK 0.908，超过最终单一模型2.00个准确率百分点且在所有序数指标上优势获支持，而Macro-F1和平衡准确率增益区间包含零；同骨干集成未产生准确率增益而跨架构集成超过其1.54个百分点，与架构多样性获益一致；软投票与多数投票无支持差异；错误强相关（平均Yule's Q = 0.909），集成低于oracle准确率9.5个百分点；准确率在两个成员时饱和，不含Swin-Base的三成员变体与四成员集成准确率相当且Macro-F1更高，但差异未获统计学支持且组合预先固定未更改。（4）类别特异预测演化：集成对CS6和CS3的F1最高、对CS2和CS5最低，CS1召回率0.500，88.95%的错误为相邻分期错误，≥2分期错误率从基线3.77%降至2.23%（完整流程相对降低41%且获统计学支持），错误方向以过度分期为主（250对103，比2.43），CS2–CS4区间完全正确56.96%、一个分期内91.34%而非相邻错误率8.66%约为总体四倍。（5）与失衡缓解策略比较：逆频率加权、延迟重加权和解耦再训练未改善类别均衡指标，靶向增强是唯一改善的传统策略，所提公式类别均衡值高于所有四种策略，但差异处于折间变异范围内，表明并非统计优越性而是建模序数结构的目标产生了增益。（6）敏感性分析：所有软目标条件超过硬标签配置，σ范围内差异较小且重训练变异超过σ跨度，故σ=1.0预先保留；均匀标签平滑在所有序数指标上低于所有高斯条件，提示概率质量的顺序安排而非数量对差异有贡献；原型项对分类性能无可测量贡献（λ_proto范围内平台期），但使类别均衡轮廓系数增加一倍以上并产生与分期距离相关的原型排序，被视为整体公式的一部分。（7）按性别和图像格式的性能：女性粗准确率优势在直接标准化后反转，实质性差异在于围青春期分期女性CS4召回率24.1%对男性64.8%、CS3–CS5平均有符号误差女性+0.54对男性+0.07，提示类别先验可能将围青春期女性病例推向更晚期；图像格式间准确率相似。（8）遮挡敏感性：遮挡颈椎柱降低准确率2.72个百分点，周边采集相关结构仅降低0.25个百分点，但最大下降位于颈椎柱前方的面中部和下颌区域（峰值7.78个百分点），决策相关区域为单一连续颅面区域，性别头图与CVM图弱相关，表明模式为任务特异而非图块几何伪影。（9）计算成本：集成3.626亿参数、327.6 GFLOPs和97.48 ms/张（GPU），相对ConvNeXt-Base的1.66个百分点增益花费8.51倍延迟和约四倍参数与内存，但绝对成本低（GPU峰值内存1609 MB、CPU约1.4 s/张），CVM分期非实时任务。

讨论部分总结与结论翻译：本研究考察了一个用于从完整侧位头影X线片自动六分类颈椎成熟度评估的逐步深度学习框架，实验设计将骨干选择与后续方法开发和最终集成构建分开。EfficientNetV2-L在仅CVM比较中以小边际排名最高，作为全因子消融的锚定，消融显示分布感知目标与辅助性别任务仅在联合时有效，而原型学习的贡献在该样本量下无法分辨。在内部五折交叉验证中，四架构集成达到79.82%准确率（95% CI 77.93–81.65）和QWK 0.908，97.77%的预测在一个分期内，其相对个体模型的增益在准确率和每项序数指标上获支持；其平衡准确率约低20个百分点，表明代表性最低的分期仍相当难以识别。初始骨干比较的边际远在重训练测量的变异范围内，且最终公式下ConvNeXt-Base在准确率上超过锚定，故该比较指定的是方法开发的锚定而非架构排序；MaxViT、Swin Transformer、ConvNeXt和EfficientNetV2采用显著不同的特征提取与表示学习机制，这可能解释为何即使在共同训练公式下其错误也不相同。因子消融表明组件不能孤立评估：高斯目标和辅助任务各自单独降低类别均衡性能而联合提升约三至五个Macro-F1百分点，该交互本身即为发现，提示医学影像中类似多任务公式应以因子方式评估而非逐组件添加。该行为具有临床和方法学相关性，因为CVM成熟是有序生物学过程而非完全独立类别集合，相邻分期可能共享相似形态特征且过渡是渐进的，硬one-hot目标同等对待每个错误类别而高斯目标分布保留相邻CVM分期相对接近性的信息，因此引入高斯软标签后的改善与任务的序数结构一致；相邻分期错误占主导（集成错误的88.95%），但仅归因于训练目标的较大错误减少未获统计学支持，且高比例相邻错误本身并非临床可用性的证据；总体准确率与平衡准确率之间的持续差距表明分布感知学习并未完全克服少数分期和重叠分期边界的困难。方法对高斯目标宽度不敏感，重要的是目标的形状而非平滑量：均匀标签平滑更强地展平目标却在每项序数指标上表现更差，且学习原型获得了原型损失未编码的序数排列；更一般地，Macro-F1或平衡准确率的一两点差异在该数据集规模下无法分辨，因为单张CS1 X线片使该分期在折内召回率移动约17个百分点，而使用每次错误幅度的序数指标相当稳定，故集成贡献以这些指标表述。原型学习对最终单一模型的贡献置信区间包含零，其可测量效应在嵌入空间：类别质心间平均余弦相似度降至接近零，CS6原型比CS5原型更接近CS5质心是频繁CS5→CS6错误的表示对应物，故被视为公式的一部分而非独立性能来源；重要的是原型组件仅在训练中作为辅助表示学习目标使用，最终CVM预测仍由主分类头生成。最终跨架构集成利用了四个架构的不同行为，无需架构特异权重或同一骨干的重复变体；对照实验与架构多样性获益而非平均多个模型相一致，因为同一骨干三次运行未产生准确率增益，但由于这些运行在目标宽度上也不同，架构多样性的贡献无法完全分离；它们未表明四个成员是必要的：准确率在两个成员时饱和，不含Swin-Base的三成员变体与已发表集成不可区分；Swin-Base是最多样但个体最弱的成员，说明多样性若无个体准确率则不充分；由于组合预先固定未更改，缩减集成是否表现更好应在独立数据集上测试。类别失衡仍是本数据集的重要挑战：CS6占全部X线片的61.41%而CS1和CS2仅占1.60%和3.43%，因此总体准确率强烈受主导成熟分期性能影响，不应脱离Macro-F1和平衡准确率解读；最终集成总体准确率显著高于平衡准确率，表明完整六分期分布上的可靠判别仍比实现高总体分类准确率更困难；除样本失衡外，相邻成熟分期间的形态相似性也可能导致该困难，因为骨骼成熟在生物学上是连续的而CVM评估以离散分期表示；关于观察者变异和分期边界附近模糊性的类似担忧也已在既往CVM研究中报告；与失衡缓解策略的比较支持这一解释：重加权和重采样未产生类别均衡增益，而高斯目标在不改变类别频率的情况下按分期顺序分配监督则产生了增益；因此最早分期的有限识别不仅是类别频率问题，相邻分期的形态相似性也是决定性的。分期错误的临床后果取决于其方向和幅度而非仅是否正确：在整个样本中，最终集成全部错误的88.95%为一个分期错误且仅2.23%的X线片被错分两个或以上分期，故多数错误将患者置于紧邻的成熟阶段；在CS2–CS4（决定开始功能矫治器治疗决策的区间），91.34%的X线片被分配到正确或相邻分期，但完全一致降至56.96%且≥2分期错误率升至8.66%（约为总体率的四倍）；错误还具有方向性：集成对250张X线片分配比参考更晚的分期、对103张更早，比例2.43，且在所检查的每种配置中均观察到相同方向；过度分期是临床上较不利的方向，因为它提示青春期生长突增已过，可能促使治疗窗口被错过；该不对称与数据集分期分布一致（CS6占61.41%并从相邻CS5吸引错误）。因此本系统应被视为报告分期概率分布而非单一分类分期的决策支持工具，其在CS2–CS4区间的输出应由临床医师确认。女性患者的粗准确率优势在按总体分期分布标准化后反转，表明病例构成可多强地扭曲表观差异；实质性发现涉及围青春期分期，女性X线片平均被分期约晚半个分期；该偏倚方向与女性患者中CS6占优一致，提示类别先验（可能由在成熟患者中高度准确的辅助性别头强化）将围青春期女性病例推向更晚期；由于这是与治疗时机最相关的区间，该发现具有临床重要性；实际年龄不是模型输入且评判者对其盲法，但CVM分期与年龄在该队列中强相关，且椎体形态以外的年龄相关图像特征（如整体颅面大小）可能对模型决策有贡献，该可能性无法用现有设计排除。与既往CVM研究的直接数值比较应谨慎，因为已发表研究在数据集构成、分期分布、观察者协议、图像预处理、区域选择程序和验证策略上存在差异；Li等使用ResNet152和6079个手动裁剪C2–C4区域报告六分类准确率67.06%；Atici等使用颈椎区域提取和可训练方向滤波器报告75.11%准确率且减少成熟分期数时性能更高；其他研究同样证明了CNN和Transformer方法用于CVM评估的可行性但采用了不同的预处理和评估程序；Mathew等的系统综述也强调了人工智能骨骼成熟评估研究的方法学异质性；在这些限制内，本研究结果证明使用完整侧位头影图像无需人工定义测量或人工裁剪颈椎区域作为模型输入即可实现有竞争力的六分类CVM性能，作为内部交叉验证估计。高斯标签分布、基于原型的表示学习和软投票集成是已描述过的成熟技术；本工作的贡献不是单独引入任何组件，而是将其组合为用于序数CVM分期的单一训练公式，并对照评估每个组件在该数据集规模下做什么和不做什么。遮挡分析表明预测依赖颈椎区域但不限于此：决策相关区域从颈椎柱连续延伸至紧邻其前方的下颌和面中部区域，而包含采集相关结构的周边图像区域几乎不携带权重；这排除了模型复制人类评判者应用于C2–C4视觉标准的假设；它不改变研究的目标变量（仍为参考标准分配的CVM分期），该分析关注模型所用信息的空间分布而非模型估计什么。集成在相对意义上显著增加计算成本（相对ConvNeXt-Base 1.66个百分点准确率增益花费8.51倍延迟），但绝对意义上较低（GPU上每张X线片低于0.1 s、CPU上约1.4 s），且CVM分期非实时任务；在预期嵌入式或实时部署时，单一ConvNeXt-Base模型以约八分之一延迟提供集成准确率的97.9%。性别预测作为辅助学习任务而非主要临床输出纳入，其贡献不能独立于目标公式表述，因为它在硬标签下降低CVM性能而在分布感知目标下提升性能，且其效应并非一致有益：在成熟患者中提供可靠信号但可能强化围青春期女性病例的过度分期。应考虑若干局限：第一，显著类别失衡尤其CS1和CS2 X线片数量有限，限制代表性最低分期性能估计的可靠性，尽管使用分布感知学习仍是主要挑战；第二，CVM分期标签由两名放射科医师共识联合分配，故观察者间和观察者内一致性无法量化且参考标准携带未测量程度的不确定性（尤其相邻分期之间），此外以六个离散类别表示骨骼成熟无法完全反映相邻分期间的连续生物学进展；第三，所有报告值均为来自单一机构和单一设备X线片的内部交叉验证估计，无外部、独立或多中心数据集可用，也无法跨设备或采集协议评估，此外CVM分期在该队列中与实际年龄强相关，模型依赖年龄相关图像特征而非椎体形态的程度无法确定，故框架不应被视为已验证用于临床部署；第四，方法开发与最终评估无法完全分离，锚定和训练目标在报告的相同折外预测上评估，无单独留出集或嵌套交叉验证，决策空间小且预先定义、所有设置预先固定、集成组合预先设定，但不能排除某些乐观；第五，仅对单一配置进行重复训练，测量的运行间变异超过所讨论的若干差异；第六，因子消融在单一骨干上建立，同骨干对照集成在目标宽度和训练随机性上均不同；第七，决策相关信息不限于颈椎柱，相邻颅面区域贡献反映颅面与骨骼成熟之间真实协变还是数据集特异规律无法从现有数据确定；第八，围青春期女性病例被系统性过度分期（女性CS4召回率24.1%，n = 55），结果不应外推到该亚组除非在分期内进行性别均衡采样或前瞻性队列；第九，随机水平翻转镜像了最早分期的方向性形态标准，其孤立效应未测量；最后，计算测量在单一硬件配置上获得。未来研究应在更大、更均衡的多中心数据集上评估所提框架并包括独立外部验证以确定其跨不同成像环境和患者群体的稳健性；前瞻性临床评估对评估其在常规正畸决策支持中的潜在作用也有价值；移除水平翻转或替换为保留前后方向的增强是CS1和CS2的候选改进，缩减集成应在独立队列上评估；两者均为本研究未检验的假设。结论翻译：本研究评估了一个用于从完整侧位头影X线片进行六分类颈椎成熟度评估的逐步深度学习框架，无需实际年龄、人工设计测量或人工裁剪椎体区域。在单中心1749张X线片的内部五折交叉验证中，将参考分期表示为相邻分期上的分布相对于传统硬标签训练改善了类别均衡性能，通过等权重软投票组合四个架构比任何单一架构产生更可靠的分期分配，绝大多数残余错误限于相邻分期。辅助和原型组件的单独贡献在该样本量下无法分辨，因此应作为整体公式的一部分而非独立效应解读。对代表性最低的早期分期（恰是与生长改良治疗时机相关的分期）性能仍有限，且所有报告值均为内部交叉验证估计。在框架可考虑用于临床之前需要在更大、更均衡和多中心数据集上进行外部验证。