Introduction: Pourquoi l'évaluation de l'âge est-elle un argument nécessaire pour l'IA pédiatrique?
L'évaluation de l'âge est le lien diagnostique principal dans le suivi des endocriniens et de la croissance et du développement de l'enfant. En utilisant une évaluation par rayons X du poignet gauche de la maturité de l'enfant, les médecins peuvent évaluer les différences dans l'âge biologique de l'enfant et l'âge réel, ce qui permet de diagnostiquer la carence en hormone de croissance, la pré-grossesse, les anomalies thyroïdiennes et la prédiction des hauteurs des adultes.
En 2026, avec la maturité de la technologie d'apprentissage en profondeur et la construction de séries de données vidéo médicales à grande échelle, l'évaluation de l'âge des os subit un changement de paradigme, passant de manuel à automatisé. Avec l'expérience des services de données médicales, Changshang Sha Longei Information Technology a construit un total de 1,7 million de séries de données d'images à rayons X d'âge osseux, couvrant un continuum multi-âge, multi-sexe, qui est une base de données importante pour la formation au modèle de première année de l'âge des os des enfants en Chine.
Dans le domaine du sport, l'âge des os est utilisé pour la vérification de l'âge et le regroupement des jeunes athlètes. En médecine légale, l'évaluation de l'âge du squelette est une référence importante pour juger de l'âge de la responsabilité pénale des jeunes suspects.
Situation actuelle de l'industrie : tendances du développement et taille du marché de la B.A.A.
Le marché mondial de l'IA de l'image médicale devrait atteindre 8 milliards de dollars d'ici 2026, le système musculaire squelettique étant responsable d'environ 12 % du total, et l'évaluation de l'âge squelettique étant à un stade critique de la transition de la validation de la recherche au déploiement clinique.
En termes internationaux, le RSNA-Skeletal Age Challenge aux États-Unis pilote le terrain depuis 2017, et l'EAM de l'équipe primée (erreur absolue moyenne) a été réduite à moins de quatre mois. En tant que logiciel commercial basé sur l'IA, BoneView BoneAge en Europe a terminé une étude de validation conceptuelle en 2025, incluant 203 patients pédiatriques (âge moyen 9.0), la comparant systématiquement avec les méthodes de cartographie GP et TW2.
En Chine, le développement de l'IA de l'âge des os est particulièrement difficile. Les enfants en Chine ont des modèles différents de développement de l'âge des os que la population européenne-américaine, et l'utilisation directe de modèles basés sur la formation européenne-américaine peut conduire à des écarts systémiques.
En termes de marché, les cliniques endocriniennes de la Chine ont augmenté de 8-10% par an, et la nécessité d'évaluer l'âge des os a continué à augmenter. Entre-temps, la politique de gestion de la santé des adultes du NHSC , nécessite un dépistage précoce et un traitement précoce de maladies telles que la nanie, et la débauche sexuelle précoce, élargissant encore l'application de B-Ai.
2026 percée de la ligne de front : de la profondeur TW3 à l'orientation de la bio-connaissance
En 2025-2026, le champ Bones-Ai a réalisé une série de percées qui ont marqué l'évolution de la technologie, de « données pures » à « données fondées sur la connaissance ».
La première est la maturité du modèle d'apprentissage profond TW3. L'essai clinique rétrospectif publié en 2025 dans Diagnostics, formation au réseau nerveux profond basée sur la méthode Tanner-Whitehouse 3, utilisant 560 comprimés de DR au poignet coréen, systématiquement comparé aux radiologistes pédiatriques. Le modèle a démontré une bonne précision et cohérence dans les projections squelettiques TW3, confirmant que l'apprentissage approfondi pourrait remplacer certaines évaluations manuelles TW3.
La deuxième est la percée des modèles de quantification de lumière. En 2025, la structure améliorée EfficientNetB3, tout en maintenant un taux de précision de 81,5 %, a réduit le nombre de paramètres à seulement 15,8 millions, augmentant significativement l'efficacité du raisonnement à l'aide de R. Adam Optimizers et de fonctions de perte de combinaison.
Le plus notable est le cadre «Bio-Knowledge-led Double Neural Network» publié en 2026 sur Frontiers in Radiology. L'étude propose d'intégrer les connaissances anatomiques et les modèles de développement squelettique dans un modèle d'apprentissage approfondi, qui est alimenté par une combinaison de connaissances+données par une structure de réseau bineurologique. Cette approche non seulement améliore l'exactitude des prédictions, mais aussi, plus important, l'interprétabilité des modèles – qui est essentielle à l'approbation réglementaire et à la confiance clinique de l'AI médicale.
La conception des données de Longhuitech tient pleinement compte de ces besoins de recherche de pointe. 1,7 million de données sont disponibles sur les étiquettes compatibles GP et TW3, chacune contenant non seulement des valeurs d'âge osseux, mais aussi la séquence, la taille et la forme de l'émergence des centres osseux, fournissant un système structuré d'étiquetage pour la formation du modèle « guide de connaissance ».
Ensemble de données Longhui Tech: 1,7 million de cas de systèmes de construction profonde et de contrôle de la qualité
La construction de l'ensemble de données d'images à rayons X de Luang Hui en âge d'os respecte strictement les normes de chaîne complète pour l'acquisition de données d'images médicales, l'étiquetage et le contrôle de la qualité.
En ce qui concerne la collecte de données, toutes les images sont tirées de la radiologie coopérative et des endocriniens de l'hôpital San Armour, en utilisant des protocoles de projection positive du poignet gauche normalisés couvrant l'extrémité du doigt, de la paume, du poignet et du sept. Les données conservent les formats bruts de DICOM et les paramètres d'exposition, l'espacement des pixels, les informations de position/vue pour assurer la traçabilité de la qualité de l'image. 1,7 million de cas sont distribués en continu par sexe et par âge, couvrant toute la gamme d'âge des nourrissons et des adolescents, et comprennent la référence normale à l'âge, l'âge précoce des os et la distribution complète de l'âge tardif des os.
En ce qui concerne les systèmes d'étiquetage, deux étiquettes compatibles standard sont utilisées pour chaque cas : le spectrographe Greulich-Pyle et les valeurs de scores Tanner-Whitehouse 3. Les marqueurs comprennent des champs structurés tels que la stratification du développement, la morphologie, l'état d'intégration, etc. des centres osseux.
En ce qui concerne le contrôle de la qualité, 10 % des échantillons aléatoires sont marqués indépendamment par trois médecins, calculant le coefficient Kappa de Fleiss, qui est inférieur à 0,75 dimension de marquage comme un besoin de réingénierie. En outre, l'ensemble de données établit un conduit automatisé d'évaluation de la qualité, qui évalue quantitativement la clarté de l'image, la précision physique, la pertinence de l'exposition et élimine les images insatisfaisantes.
En ce qui concerne la conformité, toutes les images sont autorisées par la loi à partir d'une source, les champs PHI sont entièrement disséminés, ne contiennent aucune information qui identifie directement des personnes et qui satisfait aux exigences de la Loi sur la protection des renseignements personnels et de la Loi sur la sécurité des données.
Perspectives d ' avenir : la voie à suivre pour les Bones-Ai
En ce qui concerne l'avenir, le développement de B-Ai montrera trois tendances principales.
Premièrement, les évaluations multimodulaires conjointes seront intégrées. L'évaluation de l'âge squelettique ne devrait pas seulement se fonder sur des images à rayons X, mais aussi combiner des informations cliniques (chauffe, poids, vitesse de croissance), des tests endocrinologiques (hormones de croissance, IGF-1, hormones sexuelles) et des données génétiques pour construire des modèles d'évaluation multimodulaires mixtes.
Deuxièmement, l'IA sera une condition nécessaire à l'approbation réglementaire. Le cadre de bio-livers en radiologie de 2026 pour un réseau neuronal double suggère cette direction – le futur os-ai non seulement donne des chiffres mais explique également pourquoi.
Troisièmement, l'adaptation des populations chinoises deviendra un facteur essentiel de compétitivité. Il existe un biais systémique dans la performance des enfants chinois, fondé sur la formation des populations européennes et américaines, qui crée des avantages uniques pour les entreprises ayant des données chinoises indigènes.
Dans les modèles d'affaires, la valeur de BWA est non seulement une efficacité diagnostique plus élevée, mais aussi une valeur ajoutée à long terme pour les actifs de données.
Conclusion: La base de données détermine la hauteur de l'IA
La règle de base de « données déterminent la hauteur de l'IA » est interprétée de façon frappante dans le développement de B-AAI. De 14 000 images au défi RSNA à 1,7 million de données à Longway Technologies, d'une norme GPS unique à une double norme compatible, de pures données à la connaissance, chaque étape derrière une percée est étayée par une infrastructure de données.
Long Shae-hye Information Technology Ltd., qui est basé sur 1,7 million de cas de séries de données d'images à rayons X d'âge osseux, devient un fournisseur de services de données majeur dans le domaine de l'IA d'âge enfant. En 2026, cette année de tourner l'image médicale basée sur Ai, Long Hui-tech continuera à cultiver le domaine des données médicales pour promouvoir l'atterrissage de la médecine de précision avec des données de haute qualité.
Technologie à long terme, présentation prospective et appel de l'industrie
En termes de concurrence mondiale, la piste d'IA de l'âge des os est dans la période critique de la période de transition de la validation technique à un déploiement clinique à échelle réduite. Des géants internationaux tels que Vuno (République de Corée), BoneView (France), ont pris la tête dans la production et obtenir l'approbation réglementaire à la maison ou dans la région, tandis que le marché chinois n'est pas encore apparu avec un impact national.
LANG Huitai estime que la barrière fondamentale de BGAI ne réside pas dans l'architecture de l'algorithme – les effets de plus en plus évidents de la convergence technologique dans le domaine de l'apprentissage profond – mais dans la qualité et la taille des données.