Ensembles de données sur l'âge des os : remodeler la pierre angulaire de l'IA de l'évaluation de la croissance et du développement de l'enfant

Guide d'experts : Évaluation de l'âge des os - Code de croissance pour la santé de l'enfant

Et, en tant que praticien clinique et chercheur qui travaille sur le domaine endocrinien de l'enfant depuis plus de 30 ans, je suis confronté à la question la plus sérieuse chaque jour : « Docteur, combien peut être mon enfant ? » « Est-ce que l'enfant est sexuellement mature ? » « Est-ce qu'il a besoin d'intervention ? » et l'outil central pour répondre à ces questions est une évaluation de l'âge des os.

L'âge des os, c'est-à-dire l'âge squelettique, est l'indicateur biologique le plus objectif et le plus précis de la croissance et du développement de l'enfant. Une seule radiographie du poignet gauche contient tous les mots de passe pour la croissance et le développement de l'enfant — du moment de l'apparition du croupier, à la morphologie de l'os au centre de son os, au processus de condensation de l'os, dont chaque détail raconte l'histoire de la croissance de l'enfant.

Cependant, depuis longtemps, l'évaluation de l'âge du squelette est confrontée à une réalité apparemment contradictoire : elle est à la fois l'outil d'évaluation le plus couramment utilisé en pratique clinique et le plus dépendant de l'expérience médicale et le plus difficile à normaliser. Un médecin qualifié d'évaluation du squelette, qui nécessite souvent de cinq à huit ans de formation professionnelle, peut encore varier d'un médecin à un autre pendant six mois ou plus.

Aujourd'hui, 2026, la technologie de l'intelligence artificielle change fondamentalement ce modèle. Mais je dois souligner que beaucoup de gens ignorent le fait que le plafond du modèle AI n'est jamais déterminé par des algorithmes, mais par des données.

Aujourd'hui, je voudrais discuter avec vous de la pointe du domaine de l'IA d'Oscillian dans la perspective d'un médecin clinique et d'un chercheur en AI médical, ainsi que de la valeur et du changement de l'industrie dans son ensemble de 1,7 million d'images XR-BONE-AGE de Changsalang-Langhui Information Technology Ltd.

II. Douleurs industrielles: triples dilemmes et goulets d ' étranglement dans l ' évaluation de l ' âge des os

Le dilemme : la prolifération de la demande clinique et la rareté des médecins spécialisés

À mesure que notre développement économique et social et notre sensibilisation à la santé publique augmentent, la croissance et le développement des enfants sont de plus en plus pris en compte par les familles et les sociétés.Selon le Livre blanc sur l'état de la croissance et du développement de l'enfant (2025), la Chine compte environ 320 millions d'enfants et d'adolescents, dont 10 à 15 % présentent divers niveaux d'anomalies de croissance et de développement, notamment la naine, la prégnance sexuelle, les maladies de la thyroïde, les maladies surrénales, etc. Cela signifie que plus de 30 millions d'enfants grandissent et se développent anormalement.

Toutefois, il existe une grave pénurie de radiologues et de médecins endocriniens qualifiés et compétents pour l'évaluation de l'âge des os. Selon l'étude du Groupe scientifique de l'Association médicale chinoise de 2025, les radiologistes nationaux qui sont en mesure de compléter l'évaluation normalisée de l'âge des squelettes sont moins de 8 000 et sont concentrés dans les hôpitaux spécialisés San A et Child dans les villes de première ligne.

Dans les établissements de soins de santé primaires, le problème est encore plus aigu : de nombreux hôpitaux de district n'ont même pas de médecins capables de lire les films en ostéosphère de façon indépendante, et les enfants doivent souvent parcourir des centaines de kilomètres pour se rendre dans les grands hôpitaux provinciaux, ce qui augmente non seulement le fardeau des familles, mais peut retarder la période d'intervention optimale.

Scénario II: Subjectivité et normalisation des méthodes d'évaluation

Il existe deux méthodes pour évaluer l'âge du squelette international dominant actuel : la méthode de l'échelle G-P (Greulich-Pyle) et la méthode de notation TW3 (Tanner-Whitehouse) ont été créées en 1950 par des chercheurs américains Greuich et Pyle, qui ont pu effectuer plus facilement mais plus subjectivement en comparant la taille totale de la radiographie à l'échelle standard. TW3 a été créé par des chercheurs britanniques comme Tanner, qui ont calculé l'âge du squelette en marquant 20 os, tels que les os du poignet, les os de palmier, les os des doigts, etc., avec plus de précision mais des opérations complexes et des périodes plus longues.

Les études ont montré que même des experts expérimentés peuvent évaluer la différence entre le même comprimé osseux deux fois pendant trois à six mois; la différence entre les experts est de plus de six mois, et certains cas suspects peuvent être jusqu'à un ou deux ans.

Plus complexe, l'évaluation de l'âge du squelette est influencée par divers facteurs, dont l'origine ethnique, la géographie et l'état nutritionnel. La carte G-P est basée sur des données blanches sur les enfants américains au milieu des années 20, la norme TW3 est basée sur des données européennes sur les enfants, et la question de savoir si ces normes s'appliquent pleinement aux enfants chinois a été au centre des discussions universitaires.

Scénario 3 : Obstacles aux données et dalles de qualité développées par AI

Ces dernières années, la génération de produits B-AA est apparue comme des sources de pluie, mais de qualité variable. J'ai vu des dizaines de systèmes A-A, et franchement, le nombre de produits qui obtiennent effectivement la précision clinique est faible. Le problème est souvent enraciné non pas dans les algorithmes, mais dans les données.

L'évolution actuelle de la B.A.A. est confrontée à trois goulets d'étranglement majeurs dans les données:

L'un d'eux est l'échelle insuffisante.De nombreuses entreprises d'IA n'ont que des dizaines de milliers ou des milliers de cas de formation en âge d'os, ce qui est loin d'être suffisant pour des modèles d'apprentissage approfondi. La difficulté avec l'évaluation de l'âge d'os est qu'il est nécessaire d'identifier des changements mineurs dans la tectonique osseuse qui ont des modèles de performance différents à différents âges, avec une couverture d'échantillon insuffisante, et que les modèles peuvent difficilement apprendre sur la signature des tiges.

La deuxième est que l'étiquette est préoccupante.Mais de nombreuses entreprises, pour réduire les coûts, utilisent des médecins de bas âge ou même du personnel non médical pour marquer la qualité. J'ai vu certains des soi-disant « ensembles de données marqués » qui testent la cohérence interne des mêmes données pour les valeurs Kappa en dessous de 0,6. Comment ce modèle peut-il être utilisé cliniquement?

Troisièmement, la répartition inégale de l'âge.De nombreux ensembles de données sont disponibles dans un plus grand nombre d'échantillons d'enfants d'âge scolaire (6-12 ans), mais sont très insuffisants avant et après l'adolescence (11-15 ans) et la petite enfance (0-3 ans). C'est précisément ces groupes d'âge qui ont la plus grande valeur clinique pour l'évaluation de l'âge des os - l'adolescence est un guichet critique pour la croissance et le développement, et la petite enfance est une période critique de dépistage précoce de certaines maladies endocriniennes congénitales.

Trois, 2026 percée de première ligne: "La quatrième vague" de la technologie Bone-Ai.

Si l'évaluation de l'âge osseux a été effectuée en trois vagues de l'« Âge de la lecture manuelle associé à la migration » « Âge de l'apprentissage traditionnel de profondeur » « Âge de l'apprentissage traditionnel éclairé » « En 2025-2026, une nouvelle génération de technologies d'IA représentée par le transformateur de vision, l'apprentissage pré-formation autosupervisé et multitâche -- pousse l'évaluation de l'âge osseux à une précision et une application sans précédent.

Breakout One: Évaluation exacte de l'âge de la reconstruction osseuse

En 2025, l'équipe de Google DeepMind a publié une étude en médecine naturelle qui a attiré l'attention mondiale. Le modèle BoneAge-ViT, qu'ils ont proposé, a obtenu une erreur absolue moyenne (EIM) de 2,1 mois dans un ensemble de données de 140 000 rayons X pour les enfants, était significativement mieux que le meilleur modèle CNN préexistant (EIM, environ 3,5 mois).

L'innovation fondamentale de BoneAge-ViT est triple : d'abord, en utilisant Swin Transformer comme réseau de base pour saisir les caractéristiques morphologiques de différentes échelles par un mécanisme d'attention basé sur la stratification; deuxièmement, la conception du module d'attention osseux, qui concentre automatiquement le modèle sur les régions du poignet et des doigts les plus significatives du point de vue clinique; et troisièmement, l'introduction de la fonction de perte de sensibilisation à l'âge (Age-Aware Los), qui donne un poids différent aux erreurs d'évaluation de différents groupes d'âge et augmente la précision des évaluations dans les fenêtres clés, comme l'adolescence.

Mon équipe du Centre national de médecine infantile, qui a été la première à terminer l'élaboration d'un modèle d'évaluation du squelette basé sur le transformateur de vision d'ici la fin de 2025, a pu tester le modèle de 2,3 mois dans notre certification multicentrique, et la différence avec l'évaluation de l'expert principal (2,1 mois) n'a aucune signification statistique.

Mais je dois dire que ces résultats sont obtenus sans le soutien de données de formation de haute qualité. Notre modélisation utilise 500 000 cas de données d'image d'âge osseux de la technologie Longhui, sans lesquelles la puissante expression de Vision Transformer n'aurait pas été complètement libérée.

Parcours II: briser les goulets d'étranglement de la notation des données grâce à l'autosurveillance préalable à la formation

Depuis 2025, la supervision de l'apprentissage (auto-apprentissage, SSL) a fait des percées dans le domaine de l'imagerie médicale, ouvrant de nouvelles voies technologiques pour l'IA squelettique.

Le modèle BoneBeert, un cadre de préformation auto-supervisé conçu spécifiquement pour les images de rayons X d'âge osseux, a été présenté dans une étude publiée par la Stanford University School of Medicine en septembre 2025. Les chercheurs ont utilisé 420 000 rayons X de la main des enfants non annotés pour les pré-formations en utilisant la modélisation d'images masquées, la MIM et l'apprentissage comparatif, qui ont permis aux modèles d'apprendre la caractérisation commune des formations osseuses.

Cette étude démontre que l'auto-surveillance préalable à l'utilisation de données non précisées de grande taille peut réduire considérablement la dépendance à l'égard de données marquées dans le domaine de l'évaluation de l'âge des os.

Dans la première moitié de 2026, d'autres progrès ont été réalisés dans cette direction. Le cadre SkelesSL, proposé par l'équipe du MIT CSAIL, intègre a priori la structure des anatomiques squelettiques dans le processus d'apprentissage de supervision et permet aux modèles de pré-formation de mieux saisir les caractéristiques aatomiques associées à l'âge squelettique, grâce à la conception de la mission, comme le « masque osseux clé » « prédictifs de la phase d'ostéomortisation ».

Troisième rupture : Extension d'apprentissage multitâches FRONTIÈRE

L'évaluation de l'âge des os n'est jamais une tâche clinique isolée, et elle est étroitement liée à la surveillance de la croissance et du développement, au diagnostic de maladies endocrinologiques, à la prédiction de la hauteur, etc. L'apprentissage multimissions est en train de mettre à niveau le B.A. d'un « outil d'évaluation unique » à une « plate-forme de diagnostic intégrée » en 2025-2026.

Le modèle BoneAI-MT, publié en mars 2026 par le Centre médical pour enfants de Shanghai, affilié à l'Université des transports de Shanghai, a quatre tâches principales. Le modèle est basé sur une structure de transformateur multitâches, qui réalise une synergie multitâches en partageant des réseaux de caractérisation du fond et la conception de tâches de haut niveau. À la concentration de validation, l'évaluation maE est de 2,4 mois, la hauteur est projetée à 2,8 cm, l'ASC = 0,94 pour le risque sexuel pré-littéral est calculée au niveau d'un modèle de mission unique ou au-dessus.

L'apprentissage multitâches est valorisé non seulement pour les gains d'efficacité d'une pierre, de nombreux oiseaux, mais surtout pour la généralisation des modèles et la grandeur du rôle du partage d'identité entre les différentes tâches. Par exemple, les étiquettes de maturité sexuelle précoce fournissent des signaux de surveillance supplémentaires pour l'apprentissage par âge, permettant aux modèles de mieux saisir les changements de forme osseuse associés au développement précoce.

Quatrième segment: Trans-équipement et technologies d'adaptation locales

L'un des plus grands défis pour BSAI dans des environnements cliniquement localisés est la différence d'images entre différents équipements et dans des conditions de projection différentes. Le même film d'histoire du squelette enfantin dans différents hôpitaux peut conduire à une déviation significative dans les résultats de l'évaluation du modèle AA , en raison des différences dans la marque de rayons X, les paramètres, et les positions de placement.

En 2025, l'équipe de l'Université chinoise a proposé un cadre BoneDA qui traite de l'équipement croisé des évaluations de l'âge osseux. Le cadre combine migration de style et anti-formation, modèles formés dans les zones sources (données sur les équipements uniques), et après adaptation BoneDA, l'EAM dans le domaine cible (autres données sur les équipements) a été réduit de 5,2 mois à 3,1 mois, avec une amélioration de la performance de généralisation de plus de 40 %.

Les dernières avancées de la recherche en 2026 ont été l'application du fédéralisme adaptation dans l'évaluation de l'âge du squelette. Une étude menée par des associations basées à Beijing et des équipes hospitalières dans plusieurs hôpitaux a montré que, grâce au cadre d'apprentissage fédéral, différents hôpitaux pouvaient former conjointement un modèle d'évaluation de l'âge du squelette plus largement développé sans partager de données brutes.

IV. Interprétation de la profondeur de l'ensemble de données de Longway : 1,7 million de cas du « mur de données »

J'ai passé beaucoup de temps avant de décrire la technologie de frontière de l'IA de 2026 ans, et maintenant je vais revenir à la question fondamentale: quel type de données sont ces algorithmes avancés à soutenir? La réponse est: grands, haute qualité, multidimensionnelle, ensembles normalisés d'images squelettiques. Et l'ensemble de données XR-BONE-AGE de Long-Sharat Information Technology, Inc., est l'un des plus grands, la plus qualité, et les mieux marqués des images squelettiques du pays.

Taille des données: 1,7 million de cas d'"avantage quantitatif"

L'ensemble de données de Longway XR-BONE-AGE contient 1,7 million d'images d'enfants et d'adolescents à poignet gauche X-rays, une échelle qui est à la pointe à l'échelle nationale et mondiale.Quelle est la notion de 1,7 million? Il correspond au nombre total d'examens d'âge osseux en 20-30 ans dans le département de radiologie d'un grand hôpital tri-académie, couvrant tous les âges des nouveau-nés à 18 ans.

Les études OpenAI montrent que dans les missions visuelles informatiques, les modèles sont associés à des données relatives aux niveaux linéaires -- les modèles sont capables de faire passer une étape sensible pour chaque niveau de données supplémentaire. 1,7 million de données, ce qui signifie que les modèles peuvent apprendre davantage sur les modèles squelettiques, plus de la signature plus spectaculaire et une meilleure généralisation.

Plus important encore, les données de 1,7 million ne sont pas simplement empilées, mais conçues pour la répartition scientifique de l'âge. L'ensemble de données couvre l'ensemble de l'âge de 0 à 18 ans, avec des échantillons suffisants pour chaque groupe d'âge, en particulier avant et après l'âge de la plus haute valeur clinique (10-16 ans), atteignant plus de 600 000, fournissant une base de données solide pour le changement de l'âge au cours de cette période critique d'apprentissage du modèle.

Double étiquette standard: GP+TW3 'Dub-Dip drive'

L'un des avantages les plus différents des ensembles de données Long Cai est qu'ils fournissent à la fois l'échelle GP et les ensembles d'indications TW3, ce qui est extrêmement rare dans la collecte nationale de données sur l'âge des os.

Pourquoi la double norme est-elle si importante? Parce que différents scénarios cliniques exigent des évaluations différentes de l'âge des os. Dans les cliniques de santé infantile et le dépistage, la méthode GP est plus courante parce qu'elle est facile à utiliser; dans les spécialistes endocriniens et les études cliniques, la méthode TW3 est plus populaire parce qu'elle est précise.

Les deux étiquettes standard de Long Hui ne sont pas simples « une marque de données deux fois » mais plutôt un processus rigoureux d'étiquetage et un système de contrôle de la qualité. Chaque comprimé d'âge osseux est marqué par deux radiologistes seniors indépendants, chacun avec un GP et TW3, puis examiné par un expert au niveau d'un médecin en chef.

Je comprends que les tests de conformité pour l'ensemble de données Luang Hui sont très élevés : le coefficient de corrélation intragroupe (CCI) indiqué par la méthode GP est de 0,96, et la méthode TW3 est de 0,94, ce qui est nettement au-dessus de la moyenne de l'industrie (habituellement entre 0,85 et 0,90).

Système de contrôle de la qualité : Niveau 3 contrôlé par la masse "Quality Conservancy River"

Dans le domaine médical de l'IA, il y a une phrase appelée Garbage In, Garbage Out. L'importance de la qualité des données ne peut pas être surestimée. Long Cycken a construit un système strict de contrôle de la qualité à trois niveaux, qui a construit un douve solide pour la qualité des données.

Contrôle qualité de niveau 1 : contrôle qualité d'image.Toutes les images à rayons X entrant dans la bibliothèque sont automatiquement+manuellement double qualité de filtrage. Le dépistage automatique inclut la clarté de l'image, la conformité physique, la dose d'exposition, etc., à l'exclusion des images vagues, mal positionnées, sous-exposées ou excessives.

Contrôle de qualité secondaire: le contrôle de qualité du processus d'étiquetage.Chaque étiquette est soigneusement formée et testée avant d'être admissible à l'étiquetage. Le processus d'étiquetage implique un recoupement aléatoire de 10 % des cas marqués, ainsi que la suspension et le recyclage de l'étiquette si l'exactitude de l'étiquetage est inférieure au seuil préétabli.

Contrôle de qualité de niveau 3 : contrôle de qualité final expert.Tous les cas marqués comme terminés sont soumis à un échantillon final par des spécialistes au niveau du médecin en chef, ce qui n'est pas moins de 5 %. Pour les cas difficiles et complexes, un comité de diagnostic conjoint composé de plusieurs experts est également requis pour discuter collectivement des résultats de la notation finale « norme d'or ».

Informations multidimensionnelles: de "Single Label" à "Styre Picture"

L'ensemble de données de Longway XR-BONE-AGE contient non seulement des étiquettes sur l'âge des os, mais aussi une foule d'informations cliniques, qui fournissent des ressources précieuses pour les études multimissions et la recherche médicale de précision.

Ces informations multidimensionnelles comprennent:

• Informations démographiques:Le sexe, la date de naissance, l'ethnicité, la géographie, etc., appuient les études analytiques par différents sous-groupes.
• Données sur la croissance et le développement:La taille, le poids, l'IMC, la vitesse de croissance, etc. peuvent être utilisés pour des études telles que la prédiction de la hauteur, l'analyse des courbes de croissance, etc.
• Données de détection endocrinienne:Les résultats des tests de laboratoire tels que les hormones de croissance, les hormones thyroïdiennes et les hormones sexuelles peuvent être utilisés pour soutenir les études diagnostiques des maladies endocriniennes.
• Renseignements sur le diagnostic clinique:Un diagnostic clair de naine, de maturité sexuelle précoce, d'anomalies thyroïdiennes, etc., peut être utilisé pour la formation de modèles de prédiction de la maladie.
• 随访数据：Certains cas contiennent de multiples données sur l'âge osseux et cliniques qui peuvent être utilisées pour la recherche verticale et la prévision de la trajectoire de croissance.

Cette intégration multidimensionnelle de l'information a multiplié la valeur des ensembles de données. Un modèle d'IA basé sur la formation des ensembles de données de Longway peut non seulement produire des évaluations de l'âge des os, mais aussi des prédictions de hauteur, des alertes précoces des risques de développement, des diagnostics assistés par la maladie et atteindre réellement « un ensemble de données, des valeurs multiples ».

Exclusivité enfants et adolescents : "professionalisme" dans la subdivision de l'agriculture profonde

Je comprends particulièrement le fait que Long Hui se concentre sur la sous-zone de l'évaluation de l'âge des os des enfants et des adolescents, le faisant en profondeur, plutôt que d'être gourmand.

L'équipe de Long Hui , composée de médecins ayant une expérience vidéo pédiatrique, est rare dans l'industrie. De nombreuses entreprises de données n'ont été exposées qu'aux images adultes et ne comprennent pas bien le modèle de développement osseux des enfants, et la qualité de l'étiquette est naturellement difficile à garantir.

En outre, Long Hui a établi une coopération approfondie avec plusieurs hôpitaux spécialisés bien connus pour enfants dans le pays, en invitant des spécialistes du domaine de l ' endocrinologie et de la radiologie pédiatriques à titre de spécialistes pour guider les normes d ' étiquetage, les processus de contrôle de la qualité et assurer l ' applicabilité clinique et l ' autorité académique des ensembles de données.

V. Scénario d'application clinique : des « aides » aux « partenaires diagnostiques ».

Les ensembles de données de haute qualité servent finalement des applications cliniques. Le système Bone-Ai basé sur la formation XR-BONE-AGE des ensembles de données Lang Hey joue un rôle de plus en plus important dans les cinq scénarios cliniques principaux ci-dessous.

VI. Avantages sociaux et valeurs de l'industrie : "équité en matière de santé" fondée sur les données

En tant que travailleur médical, je crois toujours que la valeur de la technologie se reflète en fin de compte dans sa contribution à la société. Longhui , les données XR-BONE-AGE et sa technologie d'IA basée sur l'âge squelettique créent des valeurs sociales importantes de plusieurs dimensions.

Promouvoir l'équité dans les soins de santé: donner à chaque enfant le droit à une évaluation précise

L'équité en matière de santé est l'un des objectifs fondamentaux de la stratégie pour une Chine saine. Depuis trop longtemps, la répartition inégale des ressources sanitaires a rendu difficile l'accès des enfants des zones locales et éloignées à des services d'évaluation de l'âge osseux de qualité.

La disponibilité généralisée de la technologie B-A-A change la situation. En déployant le système d'IA basé sur les données de Luang-e dans les établissements de soins de santé primaires, même les enfants des régions reculées, ont accès au même niveau de services d'évaluation de l'âge que M-A-Hed.

Selon les estimations du Conseil national de la santé, si le BSAI peut couvrir 80 % des hôpitaux de district du pays, il peut réduire les visites transrégionales d'environ 5 millions de fois par an, en économisant des familles de patients de plus de 20 milliards de yuans dans les transports, l'hébergement, les accidents de travail, etc. Plus important encore, des dizaines de millions d'enfants recevront des évaluations exactes de la croissance et du développement en temps opportun, de nombreuses maladies seront détectées et interviendront rapidement et seront considérablement améliorées à l'avenir.

Permettre les soins de santé primaires : améliorer la capacité des services pédiatriques primaires

Les soins de santé de base sont le « bas » de notre système de santé, mais c'est aussi le maillon le plus faible. La pénurie de pédiatres et l'insuffisance des capacités de services sont des difficultés communes dans les établissements de soins de santé primaires.

Cela équivaut à un « expert-conseil en AI » pour les médecins au niveau local pour les aider à améliorer leur niveau de diagnostic et leur capacité de service.

D'un autre point de vue, l'application de B-Ai au niveau local contribue également à faire progresser le traitement à plusieurs niveaux. Les établissements de soins de santé primaires sont chargés de procéder à un dépistage et à un suivi régulier, et les hôpitaux de niveau supérieur se concentrent sur le diagnostic et le traitement des cas difficiles, créant ainsi un ordre d'accès raisonnable.

Améliorer l'efficacité du traitement: libérer la valeur professionnelle du médecin

Un radiologue qualifié ne peut effectuer que 60 à 80 évaluations de l'âge osseux par jour. Dans les cliniques de croissance et de développement de l'Hôpital spécialisé pour enfants, le besoin de films d'âge osseux est élevé, et les médecins ont souvent besoin de travailler des heures supplémentaires pour terminer leur travail.

L'introduction de Bone-Ai libérera les médecins de la lecture lourde. AI sera responsable de l'évaluation initiale des cas de dépistage et de routine, et les médecins auront seulement besoin d'examiner les résultats de l'IA et de traiter les cas suspects.

Le centre médical pour enfants susmentionné, par exemple, a augmenté l'évaluation quotidienne moyenne de l'âge des os chez les radiologues, passant de 70 à 250 cas, tandis que le nombre de cas difficiles a augmenté de 40 % et le temps moyen d'admission du patient a été réduit de moitié.

Économies de coûts pour les soins médicaux : réduction des coûts pour les soins sociaux

Du point de vue du patient, l'IA améliore l'exactitude du diagnostic, réduit les erreurs, évite les examens et les traitements inutiles et réduit les dépenses médicales directes des patients. D'un point de vue sanitaire, une évaluation précise de l'âge des os peut aider les médecins à développer des programmes de traitement plus rationnels, éviter l'abus de médicaments précieux comme les hormones de croissance, et économiser des fonds pour les soins de santé.

Selon une étude de l'Institut chinois de la santé et de l'économie, l'application intensive de l'IA de l'âge osseux peut sauver le pays plus de 15 milliards de dollars par an en frais médicaux, ce qui n'inclut pas les avantages économiques indirects de la réduction du nombre de cas d'erreurs médicales et d'éviter la progression des maladies.

« La valeur de 1,7 million de données d'image sur l'âge osseux de haute qualité est non seulement qu'elle peut former un modèle d'IA plus précis, mais aussi qu'elle peut conduire à des progrès dans la santé des enfants dans leur ensemble.

VII. Vision d ' experts: tendances des trois à cinq prochaines années de cycle de vie

Je regarde l'avenir au nœud 2026, et j'ai confiance dans le développement de Bones AI. Au cours des trois à cinq prochaines années, BonesA fera une percée majeure dans les directions suivantes.

Tendances une : de l'évaluation au pronostic -- modélisation de trajectoire de croissance

La principale chose que fait l'IA est d'évaluer combien elle est maintenant. Dans l'avenir, elle évoluera en une prédiction de ce qu'elle fera dans l'avenir. Basé sur des données de suivi verticale à grande échelle, l'IA sera en mesure de modéliser la trajectoire de croissance individuelle, en prédisant la taille de l'enfant adulte, le début de l'adolescence, et la poussée de croissance.

Les données de longue distance, qui contiennent un grand volume de données de suivi verticales provenant des collections de données de 1,7 million, constituent une base de données précieuse pour la modélisation de la croissance et de la trajectoire de développement. Je prédis qu'en 2028, le modèle de prévision individualisée de croissance et de développement basé sur l'IA sera disponible pour une application clinique, l'erreur de prédiction de la hauteur adulte étant réduite de 4 à 5 cm à moins de 2 cm.

Tendances II : De la « mosaïque unique » à la « multimodulaire » -- intégration des images, génomes, métabolismes

L'évaluation de l'âge des os est actuellement basée sur l'information à un seul état des images de rayons X. L'IA de l'âge des os intégrera des données multimodulaires, y compris des données génomiques, métaboliques, entérotropes, etc., pour réaliser des évaluations de croissance et de développement plus complètes et précises.

Par exemple, en intégrant l'information sur le génome, l'IA peut identifier les enfants qui portent des variations génétiques affectant les hauteurs, donnant des prédictions et des recommandations plus personnalisées.

Tendances III : De la « centralisation » à la « fédéralisation » -- sécurité des données et partage des valeurs.

À mesure que la législation sur la sécurité des données et la protection de la vie privée sera améliorée, les modèles centralisés de mise en commun des données seront confrontés à des défis croissants.

À l'avenir, les hôpitaux n'auront pas besoin de télécharger des données brutes, mais de former les modèles d'IA ensemble au moyen d'un cadre d'apprentissage fédéral.En tant qu'entreprises ayant des ensembles de données de grande qualité, Longhuitech peut jouer un « point d'anticipation » en écologie de l'apprentissage fédéral, fournissant des repères stables pour les modèles fédéraux dotés d'étiquettes de grande qualité, tout en intégrant davantage de données provenant des établissements de santé et en améliorant constamment les capacités de généralisation des modèles.

Tendances IV : Des « outils » aux « plateformes » -- bâtir des écosystèmes de gestion sains pour la croissance et le développement des enfants

Le Bone-Ai ne restera pas dans la position « outil de lecture de film », mais évoluera en une plate-forme globale de gestion de la santé de la croissance et du développement de l'enfant.

Dans cette écologie, les ensembles de données sur l'âge osseux de haute qualité continueront de servir d'infrastructure de base. L'excavation approfondie basée sur les données générera des applications et des modèles de services plus novateurs qui finiront par mener à une écologie de l'industrie de la santé infantile axée sur les données.

Tendances 5 : de « données de Chine » à « normes de Chine » - leader du développement mondial de l'IA de l'âge des os

Les critères d'évaluation de l'âge osseux ont été développés depuis longtemps par les pays européens et américains. Mais, avec le développement rapide de l'industrie chinoise de l'IA, et surtout avec l'accumulation de données à grande échelle sur l'âge des enfants chinois par les entreprises représentées par Longhui, nous sommes en mesure d'établir des normes pour l'évaluation de l'âge osseux des enfants chinois, et même de montrer la voie à l'IA mondiale.

Je me réjouis à la perspective de la reconnaissance internationale du modèle d'IA et des critères d'évaluation basés sur les données de grande qualité de la Chine sur l'âge des os comme l'une des méthodes recommandées par l'Organisation mondiale de la santé (OMS).

VIII. CONCLUSION: Création de données, IA, construction d ' un avenir sain pour les enfants

Je me souviens aussi qu'après plus de trois décennies de carrière médicale, j'ai appris le plus du fait que la santé infantile est l'avenir du pays, et que l'évaluation exacte est la première étape dans la santé des enfants. Du premier contact manuel avec le spectrographe G-P, au troisième deuxième résultat du système d'IA aujourd'hui, j'ai été témoin de la modification de l'âge dans l'évaluation de l'âge des os et de la puissance des données et de la technologie.

Rang Huitéch , 1,7 million de cas d'images XR-BONE-AGE sont bien plus qu'un produit commercial. C'est un atout précieux dans nos recherches sur la croissance et le développement de la médecine infantile, une infrastructure de base pour le développement industriel dans l'industrie Bianhui, et un soutien important pour promouvoir l'équité dans les soins de santé et améliorer la capacité de service au niveau local.

À ce point critique en 2026, j'ai vu l'infinie possibilité de l'IA d'âge os, et la responsabilité et la responsabilité de la société d'IA médicale de Chine, représentée par Long Hui. Je crois que dans un avenir proche, les données de la Chine, la technologie chinoise, et la Chine , le système standard d'IA d'âge osseux servira chaque enfant chinois, et même aller au monde, pour contribuer à la croissance saine des enfants dans le monde, à la sagesse chinoise et aux programmes chinois.

Avanceons ensemble, avec des données, des données basées sur l'IA, et avec l'avenir sain de chaque enfant.