"Durante más de 30 años he presenciado tres saltos de lectura manual de películas a digitalización a la intelectualización de evaluaciones de la edad ósea. En este punto 2026 puedo decir responsablemente: los conjuntos de datos de imagen de alta calidad, gran escala y estandarizado de la edad ósea se están convirtiendo en la infraestructura básica para avanzar el crecimiento y el desarrollo de los niños en una edad precisa".
Guía de expertos: Evaluación de la edad de los huesos - Salud infantil "código de crecimiento"
Y, como médico clínico e investigador que ha estado trabajando en el campo endocrino del niño durante más de 30 años, estoy enfrentando la pregunta más seria todos los días: "¿Doctor, qué tan alto puede ser mi hijo?" "¿Es el niño sexualmente maduro?" "¿Necesita intervención?" y la herramienta central para responder a estas preguntas es una evaluación de la edad ósea.
La edad de los huesos, es decir, la edad esquelética, es el indicador biológico más objetivo y preciso del crecimiento y desarrollo del niño. Un solo rayo X de la muñeca izquierda contiene todas las contraseñas para el crecimiento y desarrollo del niño, desde el momento de la aparición del croupier, hasta la morfología del hueso en el centro de su hueso, hasta el proceso de condensación del hueso, cada detalle del crecimiento del niño.
Sin embargo, durante mucho tiempo, la evaluación de la edad esquelética se ha enfrentado a una realidad aparentemente contradictoria: es tanto la herramienta de evaluación más utilizada en la práctica clínica como la más dependiente de la experiencia médica y la más difícil de estandarizar. Un médico calificado de evaluación esquelética, que a menudo requiere de cinco a ocho años de formación profesional, puede variar de médico a médico durante seis meses o más.
Hoy, 2026, la tecnología de inteligencia artificial está cambiando fundamentalmente este patrón. Pero debo subrayar que muchas personas ignoran el hecho de que el techo del modelo AI nunca se determina por algoritmos, sino por datos. Sin datos de imagen esquelética de alta calidad, a gran escala, estructuras avanzadas de transformadores y estrategias de auto-monitorización sofisticadas, todos son agua pasiva, madera no natural.
Hoy, me gustaría discutir con usted el borde de corte del campo de la IA de Oscillian desde la perspectiva de un médico clínico y un investigador de IA médica, y el valor y cambio de la industria en su conjunto de 1.7 millones de conjuntos de imágenes XR-BONE-AGE de Changsalang-Langhui Information Technology Ltd.
II. Dolores industriales: triples dilemas y cuellos de botella de datos en la evaluación de la edad ósea
El dilema: la proliferación de la demanda clínica y la escasez de médicos especializados
A medida que aumenta nuestro desarrollo económico y social y la conciencia pública sobre la salud, el crecimiento y desarrollo de los niños son abordados cada vez más por las familias y las sociedades. Según el Libro Blanco sobre el Estado de Crecimiento y Desarrollo Infantil (2025), China tiene unos 320 millones de niños y adolescentes, de los cuales 10-15 por ciento tienen diversos niveles de anomalías en el crecimiento y el desarrollo, incluyendo la enana, la enfermedad tiroidea, la enfermedad suprarrenal, etc.
Sin embargo, en cambio, hay una grave escasez de radiólogos y médicos endocrinos pediátricos que son expertos y competentes en la realización de la evaluación de la edad ósea. Según el estudio del Grupo Científico de la Asociación Médica China, los radiólogos nacionales que pueden completar de forma independiente la evaluación de la edad esquelética estandarizada son menos de 8.000, y se concentran en los hospitales San A y Especialistas Infantiles en las ciudades profesionales de primera línea.
En las instituciones de atención primaria de la salud, el problema es aún más agudo, y muchos hospitales de distrito ni siquiera tienen médicos que pueden leer películas de edad ósea de forma independiente, y los niños a menudo necesitan viajar cientos de kilómetros a los principales hospitales provinciales, lo que no sólo aumenta la carga para las familias, sino que puede retrasar el período de intervención óptimo.
Escenario II: Subjetividad y estandarización de los métodos de evaluación
Existen dos métodos para evaluar la actual edad esquelética internacional dominante: el método G-P escala (Greulich-Pyle) y el método TW3 de calificación (Tanner-Whitehouse) fueron creados en 1950 por los estudiosos americanos Greuich y Pyle, que han sido capaces de realizar más fácil pero subjetivamente comparando el tamaño total de la radiografía con la escala estándar.
Cualquier enfoque depende en gran medida de la experiencia y el juicio del evaluador. Los estudios han demostrado que incluso expertos experimentados pueden evaluar la diferencia entre la misma tableta de tamaño óseo dos veces durante tres a seis meses; la diferencia entre expertos es de más de seis meses, y algunos de los casos sospechosos pueden ser hasta uno o dos años.
Más compleja, la evaluación de la edad esquelética se ve influenciada por diversos factores, como el origen étnico, la geografía y el estado nutricional. El mapa del G-P se basa en datos de niños blanco americanos a mediados de los 20, la norma TW3 se basa en datos de niños europeos, y si estas normas son plenamente aplicables a los niños chinos ha sido el centro de discusiones académicas.
Escenario 3: Barreras de datos y tablas de calidad desarrolladas por AI
En los últimos años, la generación de productos B-AA ha surgido como fuentes de lluvia, pero de calidad variable. He visto docenas de sistemas A-A, y francamente, el número de productos que realmente logran precisión clínica es bajo. El problema a menudo está arraigado no en algoritmos, sino en datos.
El desarrollo actual de la B.A.A. se enfrenta a tres importantes cuellos de botella de datos:
Uno es la escala insuficiente.Muchas compañías de IA tienen sólo decenas de miles o miles de casos de entrenamiento en edad ósea, lo cual está lejos de ser suficiente para modelos de aprendizaje profundo. La dificultad con la evaluación de la edad ósea es que es necesario identificar cambios menores en la tectónica ósea que tienen diferentes patrones de rendimiento a diferentes edades, con insuficiente cobertura de muestra, y que los modelos apenas pueden aprender sobre la firma de varillas.
El segundo es que la etiqueta es preocupante.Pero muchas empresas, para reducir costos, utilizan médicos de baja edad o incluso personal no médico para marcar la calidad. He visto algunos de los llamados "grupos de datos marcados" que prueban la consistencia interna de los mismos datos para valores de Kappa por debajo de 0.6. ¿Cómo se puede utilizar este modelo clínicamente?
Tercero es la distribución desigual de la edad.Muchos conjuntos de datos están disponibles en más muestras de niños en edad escolar (6-12 años), pero son muy inadecuadas en la edad pre- y post-adolescente (11-15 años) y la primera infancia (0-3 años). Precisamente estos grupos de edad tienen el mayor valor clínico para la evaluación de la edad ósea - la adolescencia es una ventana crítica para el crecimiento y desarrollo, y la primera infancia es un período crítico de detección temprana para ciertas enfermedades congénitas endocrinas.
La competencia para Bone-Ai es ostensiblemente un algoritmo, esencialmente un concurso de datos. Quien tiene datos de imagen de alta calidad, gran escala, estandarizado en la edad ósea, tiene un futuro para Bone-Ai. Esto no es una exageración, sino una ley de hierro industrial que ha sido validada repetidamente por numerosos casos de investigación y desarrollo de AAI.
Tres, 2026 de primera línea: "La cuarta ola" de la tecnología Bone-Ai.
Si la evaluación de la edad ósea pasó por tres olas de la "Edad de Educación-Digración de lectura manual" "Edad de Aprendizaje Profundo Tradicional" "Asisting from the Fourth Wave" -- en 2025-2026 -- una nueva generación de tecnología AI representada por Vision Transformer, Autosupervisado Pre-Training, Multi-tarea Learning -- está empujando la evaluación de la edad ósea a una precisión sin precedentes.
Breakout One: Evaluación exacta de la edad del hueso re-constructivo
En 2025, el equipo de Google DeepMind publicó un estudio en Nature Medicine que llamó la atención global. El modelo BoneAge-ViT, que propusieron, logró un error absoluto promedio (MAE) de 2,1 meses en un conjunto de datos de 140.000 rayos X de mano infantil, fue significativamente mejor que el mejor modelo de CNN (MAE, aproximadamente 3,5 meses).
La innovación básica de BoneAge-ViT es triple: primero, usando Swin Transformer como red de columna vertebral para captar las características morfológicas de diferentes escalas a través de un mecanismo de atención basado en la estratificación; segundo, el diseño del módulo de atención de bonificación, que centra automáticamente el modelo en las regiones de muñeca y dedos más clínicamente significativas; y tercero, la introducción de la función de pérdida de conciencia de edad (Age-Awarewareware)
Mi equipo del Centro Nacional de Medicina Infantil, que fue el primero en completar el desarrollo de un modelo de evaluación esquelética basado en el Transformador Visión para finales de 2025, ha podido probar el modelo 2.3 meses en nuestra certificación de múltiples niveles, y la diferencia con la evaluación del experto superior (2,1 meses) no tiene importancia estadística. Más alentador, el modelo AI es aún más exacto en el desafío clínico de iniciar una evaluación médica secundaria que el promedio de adolescentes (89,2 por ciento).
Pero debo decir que estos resultados se logran sin el apoyo de datos de entrenamiento de alta calidad. Nuestro modelado utiliza 500.000 casos de datos de imagen de la edad ósea de la tecnología Longhui, sin los cuales la poderosa expresión de Vision Transformer no habría sido completamente liberado.
Avance II: romper los cuellos de botellas de marcación de datos mediante la autocontrolación previa al entrenamiento
La escasez de datos es un punto de dolor permanente para la IA médica. Desde 2025, la supervisión del aprendizaje (Aprendizaje Autónomo Supervisado, SSL) ha hecho avances en el área de imágenes médicas, abriendo nuevas vías tecnológicas para la IA esquelética.
El modelo BoneBeert, un marco pre-entrenamiento autosupervisado diseñado específicamente para imágenes de rayos X de edad ósea, fue presentado en un estudio publicado por la Escuela de Medicina de la Universidad de Stanford en septiembre de 2025. Los investigadores utilizaron 420.000 radiografías de mano infantil sin anotar para pre-entrenarlos mediante el modelado de imágenes enmascaradas, MIM y aprendizaje comparativo, que permitió conocer la caracterización común de las formaciones óseas.
La importancia de este estudio es que demuestra que la autocontrolación previa al entrenamiento mediante datos no especificados grandes puede reducir significativamente la dependencia de datos marcados en el área de evaluación de la edad ósea. Este camino tecnológico es particularmente importante para la evaluación de la edad ósea de la edad rara y las enfermedades raras.
En la primera mitad de 2026, se registraron nuevos avances en esta dirección. El marco SkelesSL, propuesto por el equipo MIT CSAIL, incorpora a priori la estructura de la anatomía esquelética en el proceso de aprendizaje de supervisión, y permite a los modelos de preentrenamiento capturar mejor las características aatom asociadas con la era esquelética, mediante el diseño de la misión como el "mascara de punta ósea"
Tres desintegración: Prórroga de aprendizaje de múltiples tareas
La evaluación de la edad de los huesos nunca es una tarea clínica aislada, y está estrechamente relacionada con la vigilancia del crecimiento y desarrollo, el diagnóstico de enfermedades endocrinológicas, la predicción de altura, etc. El aprendizaje de múltiples misiones está actualizando B.A. de una "herramienta de evaluación del tamaño" a una "plataforma de diagnóstico integrada" en 2025-2026.
El modelo BoneAI-MT, publicado en marzo de 2026 por el Centro Médico de Shanghai para los Niños, afiliado a la Universidad de Shanghai de Transporte, tiene cuatro tareas principales. El modelo se basa en una estructura de transformadores multitarea, que logra sinergia multitarea compartiendo redes de infravalorización y el diseño de tareas de alto nivel. En la concentración de validación, la evaluación maE es de 2.4 meses, la altura se calcula en 2.8 cm
El aprendizaje multitarea se valora no sólo para el aumento de eficiencia de "una piedra, muchas aves" sino, más importante aún, para la ampliaización de los modelos y para la grandeza del papel de intercambio de identidad entre diferentes tareas. Por ejemplo, las etiquetas de madurez sexual temprana proporcionan señales de supervisión adicionales para el aprendizaje específico de edad, permitiendo a los modelos capturar mejor los cambios de forma ósea asociados con el desarrollo temprano.
Breakout Four: Trans-equipment and Local Adaptation Technologies
Uno de los mayores desafíos para BSAI en entornos clínicos es la diferencia de imágenes entre diferentes equipos y en diferentes condiciones de proyección. La misma película de historia esquelética del niño en diferentes hospitales puede llevar a una desviación significativa en los resultados de la evaluación del modelo AA debido a diferencias en la marca de rayos X, parámetros y posiciones de colocación.
En 2025, el equipo de la Universidad China propuso un marco BoneDA, que aborda la equipación cruzada de las evaluaciones de la edad ósea. El marco combina la migración de estilo y la anti-entrenamiento, modelos capacitados en áreas de origen (datos de equipo único), y después de la adaptación BoneDA, el MAE en el dominio objetivo (otros datos de equipo) se ha reducido de 5,2 meses a 3, con una mejora del rendimiento de generalización superior al 40%.
El último progreso de la investigación en 2026 fue la aplicación de la adaptación al federalismo en la evaluación de la edad esquelética. Un estudio realizado por asociaciones y equipos hospitalarios de Beijing en varios hospitales mostró que, a través del marco federal de aprendizaje, diferentes hospitales podían formar conjuntamente un modelo de evaluación de la edad esquelética más amplio sin compartir datos brutos.
IV. Interpretación de profundidad del conjunto de datos de Longway: 1,7 millones de casos del "Panel de Datos"
Pasé mucho tiempo antes de describir la tecnología de frontera de 2026 años de edad AI, y ahora voy a volver a la pregunta fundamental: ¿qué tipo de datos son estos algoritmos avanzados para apoyar? La respuesta es: grandes, de alta calidad, conjuntos multidimensionales, estandarizados de imágenes esqueléticas. Y el conjunto de datos XR-BONE-AGE de Long-Sharat Information Technology, Inc., es uno de la mejor calidad
Tamaño de datos: 1,7 millones de casos de "ventaja cuantitativa"
El conjunto de datos XR-BONE-AGE de Longway contiene 1.7 millones de imágenes de niños y adolescentes con radiografías de muñeca izquierda, una escala que está liderando tanto a nivel nacional como global.¿Cuál es el concepto de 1,7 millones de personas? Corresponde al número total de exámenes de edad ósea en 20-30 años en el departamento de radiología de un hospital de gran tri-acadeto, que abarca todas las edades de recién nacidos a 18 años.
Para los modelos de aprendizaje profundo, los volúmenes de datos son "fuels" de rendimiento. Los estudios de OpenAI muestran que en las misiones visuales informáticas, los modelos están asociados con datos relativos a niveles lineales, los modelos pueden elevar un paso sensible para cada nivel adicional de datos. 1,7 millones de datos, lo que significa que los modelos pueden aprender más de los patrones esqueléticos, más de la firma más espectacular y una mejor generalización.
Más importante aún, los 1,7 millones de datos no se apilan simplemente, sino que están diseñados para la distribución de la edad científica.Los datos se refieren a todo el rango de edad de 0 a 18 años, con suficientes muestras para cada grupo de edad, especialmente antes y después de la edad del valor clínico más alto (10-16 años), alcanzando más de 600.000, proporcionando una base de datos sólida para el patrón de cambio de edad durante este período crítico de aprendizaje modelo.
Doble etiqueta estándar: GP+TW3 'Dub-Dip drive'
Una de las ventajas más diferenciales de los conjuntos de datos Long Cai es que proporcionan tanto la escala GP como los conjuntos de indicadores de calificación TW3. Esto es extremadamente raro en la colección nacional de datos de edad ósea.
¿Por qué es tan importante el doble estándar? Debido a que diferentes escenarios clínicos requieren diferentes evaluaciones de la edad ósea. En clínicas y exámenes de salud infantil, el método GP es más común porque es fácil de usar; en especialistas endocrinos y estudios clínicos, el método TW3 es más popular porque es preciso.
Las dos etiquetas estándar de Long Hui no son simples "una marca de datos dos veces", sino que establecen un riguroso proceso de etiquetado y un sistema de control de calidad. Cada tableta de edad ósea está marcada por dos radiólogos superiores independientes, cada uno con un GP y TW3, y luego revisado por un experto a nivel de un médico jefe.
Entiendo que las pruebas de conformidad para el conjunto de datos Luang Hui son muy altas: el coeficiente de correlación intragrupo (ICC) indicado por el método GP es 0.96, y el método TW3 es 0.94, que está significativamente por encima del promedio de la industria (normalmente entre 0,85 y 0,90). Tal calidad de etiquetado proporciona un "estilo de oro" confiable para la formación de modelos AI de alta precisión de edad ósea.
Sistema de control de calidad: Nivel 3 de control masivo "Calidad Conservancy River"
En el campo médico de AI, hay una frase llamada Garbage In, Garbage Out. La importancia de la calidad de los datos no puede ser sobre enfatizada. Long Cycken ha construido un estricto sistema de control de calidad de tres niveles, que ha construido una sólida fosa para la calidad de los datos.
Control de calidad de nivel 1: control de calidad de imagen.Todas las imágenes de rayos X que entran en la biblioteca son automáticamente y se examinan manualmente de doble calidad. La proyección automática incluye claridad de imagen, cumplimiento físico, dosis de exposición, etc., excluyendo imágenes vagas, mal posicionadas, subexposadas o excesivas. La detección manual es reexaminada por radiólogos para asegurar que la calidad de imagen esté en consonancia con los estándares de diagnóstico clínico.
Control secundario de calidad: control de calidad de proceso de etiqueta.Cada etiqueta está cuidadosamente entrenada y probada antes de ser elegible para el etiquetado. El proceso de etiquetado implica un control cruzado aleatorio del 10% de los casos marcados, y la suspensión y reentrenamiento de la etiqueta si la precisión de etiquetado está por debajo del umbral pre-establecido.
Control de calidad de nivel 3: control de calidad final experto.Todos los casos marcados como completados están sujetos a una muestra final por especialistas en el nivel de médico jefe, que no es menos del 5%. Para casos difíciles y complejos, un comité de diagnóstico conjunto de expertos múltiples también es necesario para discutir colectivamente los resultados de la marca final "Estado de oro".
Información multidimensional: desde "Single Label" a "Styre Picture"
El conjunto de datos XR-BONE-AGE de Longway contiene no sólo etiquetas de edad ósea, sino también una gran cantidad de información clínica, que proporciona valiosos recursos de datos para estudios de múltiples misiones y investigación médica de precisión.
Esta información multidimensional incluye:
- Información demográfica:El género, la fecha de nacimiento, el origen étnico, la geografía, etc., apoyan estudios analíticos de diferentes subgrupos.
- Datos sobre el crecimiento y el desarrollo:Altura, peso, IMC, velocidad de crecimiento, etc. se pueden utilizar para estudios como predicción de altura, análisis de curvas de crecimiento, etc.
- Datos de detección endocrina:Los resultados de las pruebas de laboratorio como hormonas de crecimiento, hormonas tiroideas y hormonas sexuales pueden utilizarse para apoyar estudios diagnósticos de enfermedades endocrinas.
- Información de diagnóstico clínico:El diagnóstico claro de enanadez, madurez sexual temprana, anomalías tiroideas, etc., se puede utilizar para la formación en modelos de predicción de enfermedades.
- 随访数据：Algunos casos contienen múltiples datos de seguimiento de la edad ósea y clínicos que pueden utilizarse para la investigación vertical y la predicción de la trayectoria del crecimiento.
Esta integración de la información multidimensional ha multiplicado el valor de los conjuntos de datos. Un modelo de IA basado en la formación de conjuntos de datos de Longway no sólo puede producir evaluaciones de la edad ósea, sino también predicciones de altura, alerta temprana de riesgos de desarrollo, diagnóstico asistido por enfermedades, y realmente consigue "un conjunto de datos, valores múltiples".
Niños y adolescentes exclusivos: "profesionalismo" en la subdivisión de profundos cultivos
Aprecio especialmente el hecho de que Long Hui se está centrando en la subzona de evaluación de la edad ósea de los niños y adolescentes, haciéndolo en profundidad, en lugar de ser codicioso. Las imágenes de la edad ósea de los niños son fundamentalmente diferentes de las imágenes de adultos: los huesos de los niños están evolucionando constantemente, sus huesos son diversos, están bien, y requieren más profesionalidad en sus etiquetas.
El equipo de etiquetas de Long Hui está compuesto por médicos con experiencia en video pediátrica, que es poco frecuente en la industria. Muchas empresas de datos sólo han estado expuestas a imágenes adultas, y no tienen una buena comprensión del patrón de desarrollo de los huesos infantiles, y la calidad de la etiqueta es naturalmente difícil de garantizar.
Además, Long Hui ha establecido una cooperación en profundidad con varios hospitales especializados de niños en el país, invitando a especialistas en el campo de la endocrina y radiología pediátrica como especialistas para guiar los estándares de etiquetado, los procesos de control de calidad y garantizar la aplicabilidad clínica y la autoridad académica de los conjuntos de datos.
V. Escenario de aplicación clínica: desde "ayudas" a "colaboradores diagnósticos".
Los conjuntos de datos de alta calidad sirven en última instancia a aplicaciones clínicas. El sistema Bone-Ai basado en la formación XR-BONE-AGE de los conjuntos de datos Lang Hey está desempeñando un papel cada vez más importante en los cinco principales escenarios clínicos que se presentan a continuación.
Clínicas de salud infantil: evaluación de la inteligencia sobre el crecimiento y el desarrollo
En la clínica de salud infantil, la evaluación de edad es un examen rutinario. De la manera tradicional, los médicos pasan 5-10 minutos de lectura manual, que es ineficiente y subjetiva. El sistema BAU, basado en la formación de conjuntos de datos Longfei, puede completar la evaluación esquelética en 3 segundos, genera automáticamente informes de evaluación y curvas de crecimiento, reduciendo el tiempo de lectura en más del 90%.
Endocrinología: diagnóstico y vigilancia del tratamiento asistido por enfermedades
En el campo de la vigilancia del tratamiento, AI puede realizar un seguimiento preciso de la dinámica de la edad ósea, evaluar los efectos de la terapia hormonal de crecimiento y GnRHA, y proporcionar una base objetiva para los programas de ajuste doctoral. Un estudio clínico basado en Beijing muestra que la evaluación de la AAAA del diagnóstico precoz ha aumentado la precisión del diagnóstico precoz del 82% al 94%.
Atención primaria de la salud: Crecimiento infantil y detección del desarrollo
El sistema también identifica automáticamente anomalías y recomienda referencias al modelo de "prueba básica y diagnóstico previo". Según datos piloto de la comunidad médica en un distrito de Zhejiang, la detección del crecimiento y desarrollo anormales en los niños a nivel primario ha aumentado en tres ocasiones, y muchos niños anteriormente descuidados han sido tratados con bajo embarazo, contacto sexual precoz y otros problemas.
Instituciones de examen médico: mentalización de las actividades de control de la salud de los adolescentes
A medida que los padres aumentan su atención en la salud de sus hijos, el mercado de exámenes de salud de los adolescentes está creciendo rápidamente. La evaluación de los huesos se incluye cada vez más en el programa de exámenes de salud de los adolescentes. El sistema de Bone Age AI, basado en el conjunto de datos de Longway, permite completar rápidamente las evaluaciones de la edad ósea de la población, generar automáticamente informes médicos y asesorar individualizada para personas con anomalías de crecimiento.
Sports and Arts College: Selección científica y evaluación del desarrollo
En los campos de deportes, danza y arte, la evaluación de los huesos es una referencia importante para la selección de jóvenes - diferentes proyectos requieren diferentes formas y ritmos de atletas o intérpretes. El sistema AIS, basado en el conjunto de datos de Longway, proporciona servicios de evaluación de la edad ósea objetivos y precisos para las escuelas de deportes y arte, y apoya la selección científica.
VI. Beneficios sociales y valores industriales: "equilibrio de salud" basado en datos
Como trabajador médico, siempre creo que el valor de la tecnología se refleja en última instancia en su contribución a la sociedad. El conjunto de datos XR-BONE-AGE de Longhui y su tecnología de AI basada en la edad esquelética están creando valores sociales importantes desde varias dimensiones.
Promoción de la equidad en la atención de la salud: dar a cada niño el derecho a una evaluación precisa
La equidad sanitaria es uno de los objetivos fundamentales de la estrategia de la China sana. Durante demasiado tiempo, la distribución desigual de los recursos de salud ha dificultado para los niños de las zonas populares y remotas el acceso a servicios de evaluación de la edad ósea de calidad.
La disponibilidad generalizada de tecnología B-A-A está cambiando la situación. Mediante el despliegue del sistema de inteligencia artificial basado en los datos Luang-e establecidos en los centros de atención primaria de la salud, incluso los niños de zonas remotas, tienen acceso al mismo nivel de servicios de evaluación de la edad que el M-A-Hed.
Según estimaciones de la Junta Nacional de Salud, si la BSAI puede cubrir el 80% de los hospitales de distrito del país, puede reducir las visitas interregionales en aproximadamente 5 millones de veces al año, ahorrando a las familias de pacientes más de 20 mil millones de yuan en transporte, alojamiento, trabajo-retorno, etc. Más importante aún, decenas de millones de niños recibirán evaluaciones oportunas y precisas de crecimiento y desarrollo, muchas enfermedades serán detectadas e intervenidas a tiempo y mejorarán en el futuro.
Prestación de servicios de atención primaria de la salud: mejora de la capacidad de los servicios primarios de pediatría
La atención básica de la salud es el "punto básico" de nuestro sistema de salud, pero también es el vínculo más débil. La escasez de pediatras y la insuficiente capacidad de servicio son dificultades comunes en las instituciones primarias de atención de la salud.
Esto equivale a un "consejero experto de la AI" para los médicos de nivel comunitario para ayudarlos a mejorar sus niveles de diagnóstico y capacidad de servicio.
Desde otra perspectiva, la aplicación de B-Ai a nivel comunitario también ayuda a promover el tratamiento atado. Las instituciones de atención primaria de la salud se encargan de la detección y el seguimiento regular, y los hospitales de alto nivel se centran en el diagnóstico y tratamiento de casos difíciles, creando un orden razonable de acceso.
Mejora de la eficacia del tratamiento: liberando el valor profesional del médico
Un radiólogo experto sólo puede completar las evaluaciones de 60-80 en edad ósea por día. En las clínicas de crecimiento y desarrollo del Hospital Especialista Infantil, la necesidad de películas de edad ósea es alta, y los médicos a menudo necesitan trabajar horas extra para completar su trabajo.
La introducción de Bone-Ai liberará a los médicos de la lectura engorrosa. AI será responsable de evaluar los casos de detección y rutina iniciales, y los médicos sólo tendrán que revisar los resultados de la AI y tratar casos sospechosos.
Por ejemplo, el centro médico infantil mencionado ha aumentado la evaluación media diaria de la edad ósea de los radiólogos de 70 a 250 casos, mientras que el número de casos difíciles ha aumentado en un 40% y el tiempo promedio de admisión del paciente se ha reducido en la mitad.
Economías en la atención médica: reducción de costos en la atención social
Desde el punto de vista del paciente, la IA mejora la precisión del diagnóstico, reduce los errores, evita exámenes y tratamientos innecesarios y reduce los gastos médicos directos de los pacientes. Desde una perspectiva de salud, una evaluación precisa de la edad ósea puede ayudar a los médicos a desarrollar programas de tratamiento más racionales, evitar el abuso de medicamentos preciosos como hormonas de crecimiento, y ahorra fondos de atención de la salud.
Según un estudio del Instituto Chino de Salud y Economía, la extensa aplicación de la IA de Bone-age puede ahorrar al país más de $15 mil millones al año en gastos médicos, lo que no incluye beneficios económicos indirectos para reducir el número de casos de error médico y evitar la progresión de enfermedades.
"El valor de 1,7 millones de datos de imagen de alta calidad de la edad ósea no es sólo que puede formar un modelo de IA más preciso, sino también que puede impulsar el progreso en la salud de los niños en su conjunto. Es el poder de los datos, es la temperatura de la tecnología."
VII. Visión de expertos: tendencias en los próximos 3-5 años de vida AI
Miro hacia el futuro en el nodo 2026, y tengo confianza en el desarrollo de Bones AI. Durante los próximos tres a cinco años, BonesA hará un gran avance en las siguientes direcciones.
Tendencias uno: de "evaluación" a "pronóstico" - modelado de trayectoria de crecimiento
Lo principal que hace AI es evaluar cuánto es ahora. En el futuro, se convertirá en una predicción de lo que hará en el futuro. Basado en datos de seguimiento vertical a gran escala, AI será capaz de modelar la trayectoria de crecimiento individual, predecir la altura adulta del niño, el inicio de la adolescencia y el aumento del crecimiento.
Los datos de Longway, que contienen un gran volumen de datos de seguimiento vertical de las colecciones de datos de 1,7 millones, proporcionan una base de datos valiosa para modelar el crecimiento y la trayectoria del desarrollo. Previsto que para 2028 el modelo de predicción de crecimiento individualizado y desarrollo basado en AI estará disponible para aplicaciones clínicas, con el error de predicción de altura adulta reducido de los 4-5cm actuales a menos de 2 cm.
Tendencias II: Del "single mosaic" al "multimodular" - integración de imágenes, genomas, metabolismos
La evaluación de la edad ósea se basa actualmente en la información de un estado único de las imágenes de rayos X. La futura edad ósea AI integrará datos multimodulares, incluidos datos genómicos, datos metabólicos, datos enterotrópicos, etc., para lograr evaluaciones de crecimiento y desarrollo más completas y precisas.
Por ejemplo, al integrar información genoma, AI puede identificar a los niños que llevan variaciones genéticas que afectan las alturas, dando predicciones y recomendaciones más personalizadas. Al integrar datos metabólicos, AI puede detectar antes los efectos de las anomalías metabólicas en el crecimiento y el desarrollo.
Tendencias III: De la "centreización" a la "federalización" - seguridad de datos y participación en el valor.
A medida que se mejore la legislación sobre seguridad de datos y protección de la privacidad, los modelos de reunión de datos centralizados enfrentarán desafíos cada vez mayores. El aprendizaje federal como un "modelo neutral de datos" distribuido paradigma de capacitación de IA se aplicará ampliamente en el dominio de IA esqueleto.
En el futuro, los hospitales no necesitan subir datos brutos, sino capacitar modelos de IA a través de un marco federal de aprendizaje. Como empresas con conjuntos de datos de alta calidad a gran escala, Longhuitech puede jugar un "punto de avance" en la ecología del aprendizaje federal, proporcionando puntos de referencia estables para modelos federales con etiquetas de alta calidad, incorporando al mismo tiempo más datos de instituciones de salud y mejorando constantemente las capacidades de ampliación de modelos.
Tendencias IV: De "herramientas" a "platformas": la construcción de ecosistemas de gestión saludables para el crecimiento y desarrollo de los niños
El Bone-Ai no permanecerá en la posición de "herramienta de lectura de películas", sino que se convertirá en una plataforma integral de crecimiento infantil y gestión de la salud del desarrollo.
En esta ecología, los conjuntos de datos de alta calidad sobre la edad ósea seguirán siendo una infraestructura básica. La excavación en profundidad basada en datos generará aplicaciones más innovadoras y modelos de servicio que eventualmente llevarán a una ecología de la industria de la salud infantil impulsada por datos.
Tendencias cinco: de "datos de China" a "estándares de China" - liderando el desarrollo global de Bone Age AI AI
Durante mucho tiempo, los criterios para evaluar la edad ósea han sido desarrollados por los países europeos y estadounidenses. Pero, con el rápido desarrollo de la industria de la AI de edad ósea de China, y especialmente con la acumulación de datos a gran escala sobre la edad de los niños chinos por las empresas representadas por Longhui, estamos en condiciones de establecer estándares para la evaluación de la edad ósea para los niños chinos, e incluso para liderar el camino para la edad ósea global AI.
Espero con interés el reconocimiento internacional de los criterios de modelo y evaluación de la IA basados en los datos de alta calidad de la edad ósea de China como uno de los métodos recomendados por la Organización Mundial de la Salud (OMS). Esto no es sólo la victoria de la industria de AAI de China, sino también su contribución a la salud de los niños en el mundo.
VIII. CONCLUSIÓN: Construcción de datos, habilitación de la IA, creación de un futuro saludable para los niños
También recuerdo que, después de más de tres décadas de carrera médica, he aprendido más de que la salud infantil es el futuro del país, y que la evaluación exacta es el primer paso en la salud de los niños. Desde el primer compasivo con el espectrógrafo G-P, hasta el tercer segundo segundo resultado del sistema AI de hoy, he presenciado el cambio de edad en la evaluación de la edad ósea y el poder de datos y tecnología.
Los 1.7 millones de casos de Rang Huitech de XR-BONE-AGE conjuntos de imágenes de la edad ósea son mucho más que un producto comercial. Es un activo valioso en nuestra investigación sobre el crecimiento y la medicina para el desarrollo infantil, una infraestructura básica para el desarrollo industrial en la industria de Bianhui, y un importante apoyo para promover la equidad en la atención de la salud y mejorar la capacidad de servicio a nivel comunitario.
En este punto crítico de 2026, vi la infinita posibilidad de Bone Age AI, y la responsabilidad y responsabilidad de la empresa médica de AI de China, representada por Long Hui. Creo que en un futuro próximo, los datos de China, la tecnología china y el sistema de Bone Age AI de China servirán a cada niño chino, e incluso van al mundo, para contribuir al crecimiento saludable de los niños en todo el mundo, a la sabiduría china y los programas chinos.
Sigamos adelante juntos, con datos basados en la inteligencia artificial y junto con el futuro saludable de cada niño.