1.7 백만 뼈 나이 이미지 데이터 세트 : 아이 성장과 발달 평가의 AI 코너스톤을 다시 형성

전문가 가이드: Bones age assessment - 어린이 건강 "성장 코드"

그리고, 30년 이상 아이의 내후성 분야에 일하고 있는 임상 실무자 및 연구자로, 나는 매일 가장 심각한 질문을 직면하고 있습니다: "도우, 얼마나 키가 나아질 수 있습니까?" "나는 아이가 성숙하게 성숙합니까?" "이 질문에 대답하는 중앙 공구는 뼈 나이 평가입니다.

뼈의 나이, 즉 골격 연령, 아이의 성장과 개발의 가장 목적과 정확한 생물학 지표입니다. 왼쪽 손목의 단일 X 레이에는 어린이의 성장과 발달을위한 모든 암호가 포함되어 있습니다. 크로피어의 외관의 시대에서 뼈의 형태에 이르기까지 뼈의 중심에있는 골격학에 이르기까지 뼈의 골격을 집광하는 과정과 뼈의 각 세부 사항이 있습니다.

그러나 오랫동안 골격 연령 평가는 겉보기로 피임약 현실과 직면했습니다. 임상 실습에서 가장 일반적으로 사용되는 평가 도구와 가장 의존하는 의료 경험과 가장 어려운 표준화에 모두 사용됩니다. 자격을 갖춘 골격 평가 의사는 종종 전문 교육의 5 ~ 8 년을 필요로하며, 의사가 6 개월 이상 의사와 다를 수 있습니다. 이 주제 및 차별화는 직접 내분비 질환 및 과학적 치료 프로그램의 진단의 정확성에 영향을 미칩니다.

오늘날, 2026, 인공 지능 기술은 기본적으로이 패턴을 변경합니다. 그러나 나는 많은 사람들이 AI 모델의 천장이 알고리즘에 의해 결정되지 않는 사실이 무시해야하지만 데이터에 의해. 고품질의 대규모, 다차원 골격 이미지 데이터, 고급 변압기 구조 및 정교한 자기 학습 전략없이, 모든 수동 물, 비 천연 나무입니다.

오늘, 나는 임상 의사와 의료 AI 연구자의 관점에서 Oscillian AI 필드의 절단 가장자리와 논의하고 싶습니다, 창사랑 - 란후이 정보 기술 회사의 전체 1.7 백만 XR-BONE-AGE 이미지 세트로 업계의 가치와 변화.

II. 산업 통증: 뼈 나이 평가에 있는 3배 dilemmas와 자료 Bottlenecks

dilemma one: 임상 수요의 확산과 전문 의사의 스카치

우리의 경제 및 사회 개발 및 공공 보건 인식 상승으로, 어린이의 성장과 발달은 점점 가족과 사회에 의해 해결되고있다. 어린이 성장과 개발의 상태에 백서는 (2025), 중국 약 320 만 명의 어린이와 청소년, 10-15 %의 다양한 수준이 있으며, 사원, 성 임신, 갑상선 질환, 대뇌 질환 등을 포함한 개발 비정상적인 성장과 발전이 있습니다. 이는 30 만 명의 어린이가 이상 성장하고 발전한다는 것을 의미합니다.

그러나 대조적으로, 뼈 나이 평가를 수행하고 경쟁하는 데 숙련되고있는 방사선 학자 및 패디아과 내분비 의사의 심각한 부족이 있습니다. 중국 의학 협회의 과학 그룹 2025 연구에 따르면, 독립적으로 표준화 된 골격 연령 평가를 완료 할 수있는 국가 방사선 학자는 8,000 미만이며, 첫 번째 라인 도시의 산 A 및 어린이 전문가 병원에 집중하고 있습니다. 이것은 하나의 전문 골격에 대한 충분한 자격을 갖춘 의사의 자격을 갖춘 것이 40,000의 전문 의학적 평가를 제공하는 것입니다.

1 차 보건 관리 기관에서는 문제는 더 급성합니다. 많은 지역 병원은 뼈 나이 필름을 독립적으로 읽을 수있는 의사가 없으며, 아이들은 종종 가족의 부담을 증가시키지 않는 주요 지방 병원에 수백 킬로미터를 여행해야합니다. 그러나 최적의 개입 기간을 지연시킬 수 있습니다.

Scenario II: 평가 방법의 주제 및 표준화

현재 지배적 인 국제 골격 연령 평가의 두 가지 방법이 있습니다. G-P 스케일 방법 (Greulich-Pyle)과 TW3 등급 방법 (Tanner-Whitehouse)는 1950 년 미국 학자 Greuich와 Pyle에 의해 생성되었으며, 이는 X-ray의 총 크기를 표준 규모로 비교하여 더 쉽게 수행 할 수있었습니다. TW3는 Tanner와 같은 영국 학자에 의해 생성되었지만, 20 년 동안 뼈와 같은 뼈 작업이 더 길어졌습니다.

어떤 접근법은 평가자의 경험 및 판단에 높게 의존합니다. 학문은 경험있는 전문가가 3 6 달 동안 동일한 뼈 크기 정제 사이 다름을 평가할 수 있다는 것을 보여주었습니다; 전문가의 다름은 6 달 이상이고, 의심되는 케이스의 몇몇은 1 2 년까지 일 수 있습니다.

G-P 맵은 미국 중반에 위치한 유럽 아동 데이터에 기반한 미국 아동 데이터를 기반으로 한 G-P 맵은 유럽 아동 데이터를 기반으로 하며, 이 표준은 중국 아동에 적용되지 않은 학생의 초점이 된다는 것을 의미합니다.

Scenario 3 : AI에 의해 개발 된 데이터 장벽 및 품질 슬랩

최근 몇 년 동안 B-AA 제품의 생성은 비의 봄로 나타났지만 다양한 품질. 나는 A-A 시스템의 수십을 보았고, 실제로 임상 정밀도를 달성하는 제품의 수는 낮습니다. 문제는 종종 알고리즘에 뿌리를두고 있지만 데이터.

B.A.A.의 현재 개발은 3개의 중요한 자료 Bottlenecks에 직면하고 있습니다:

한은 충분한 규모입니다.많은 AI 회사는 수천의 케이스의 수천 또는 수천의 뼈 나이 훈련을 가지고 있습니다. 심층 학습 모델에 충분합니다. 뼈 나이 평가를 가진 어려움은 다른 연령의 다른 패턴을 가지고 뼈 tectonics의 미성년한 변화를 식별하는 데 필요한 것입니다, 충분한 샘플 적용, 그리고 그 모델은 막대의 서명에 대해 열심히 배울 수 있습니다.

두 번째는 라벨이 우려가 있다는 것입니다.그러나 많은 회사, 비용을 줄이기 위해, 낮은 나이 의사 또는 심지어 비 의학 인력을 사용하여 품질을 표시하십시오. 나는 0.6 이하의 Kappa 값에 대한 동일한 데이터의 내부 일관성을 테스트하는 소위 "표시 된 데이터 세트"의 일부를 보았다. 이 모델은 임상으로 사용될 수 있습니까?

셋째는 연령의 비정상 분포입니다.많은 데이터 세트는 학교 연령 (6-12 세)의 어린이 샘플에서 사용할 수 있지만, 사전 및 포스트 청소년 (11-15 세) 및 초기 어린 시절 (0-3 세)에 심각한 불평을받습니다. 그것은 뼈 나이 평가에 가장 큰 임상 값이 있는이 연령 그룹에 정확하게 있습니다. 청소년은 성장과 발달을위한 중요한 창이며, 조기 어린 시절은 특정 혼성 내성 질환에 대한 중요한 초기 상영 기간입니다.

세, 2026 프론트 라인 스루 : "네이 기술의 네 번째 웨이".

뼈 나이 평가가 "설명서 읽기의 진화 된 시대" "전통 깊은 학습 시대" "전통적으로 통찰력 학습 시대" "4 파에서 구현"- 2025-2026 -- 비전 변압기, 자기 감독 전 훈련, 멀티 태스크 학습 --는 정확하게 정확성과 응용 프로그램에 뼈 나이 평가를 밀어.

Breakout One: 뼈를 재구성하는 이전의 나이의 정확한 평가

2025년, Google DeepMind 팀은 글로벌 관심을 끌고 자연 의학의 연구를 발표했습니다. BoneAge-ViT 모델은 140,000 명의 어린이 손 X-ray를 설정한 데이터 세트에서 2.1 개월의 평균 절대 오류 (MAE)를 달성했으며 사전 승인 최고의 CNN 모델 (MAE, 약 3.5 개월)보다 훨씬 더 낫습니다.

BoneAge-ViT의 핵심 혁신은 세 배입니다: 첫째로, Swin 변압기를 사용하여 역동적 인 주의 기계장치를 통해서 다른 가늠자의 형태 특성을 붙잡기 위하여 네트워크로 첫째로; 둘째로, Bone-Aware 주의 단위의 디자인, 자동적으로 가장 임상적으로 뜻깊은 손목 및 손가락 지구에 모형을 집중합니다; 그리고 3개는, 나이 Awareness 손실 기능 (Age-Aware Los)의 소개, 같은 창의적인 평가 및 같은 다른 그룹에 다른 무게를 줍니다.

2025년 말에 Vision Transformer를 기반으로 한 골격 평가 모델의 개발을 완료하기 위해 최초의 National Child Medicine Centre에서 내 팀은 멀티 센터 인증에서 2.3 개월 모델을 테스트 할 수 있었고 수석 전문가의 평가 (2.1 개월)에는 통계적 중요성이 없습니다. 더 많은 만족스러운 AI 모델은 청소년 평가 (89.2 %)을 시작하면서 임상 도전 과제에서 더 정확합니다. 의학적 쟁점보다 89.2 %의 임상 과제에서 더 정확합니다.

그러나 나는 이 결과가 고품질 훈련 자료의 지원 없이 달성된다는 것을 말해야 합니다. 우리의 모델링은 긴후 기술에서 뼈 나이 이미지 자료의 500,000의 케이스를, 시각 변압기의 강력한 표식이 완전히 풀어 놓지 않을 것입니다.

Breakthrough II: 전 훈련을 통해 데이터 표하기 병목을 끊기

데이터의 스카치는 의학 AI의 영구적 인 통증 지점입니다. 2025 년부터 학습 (자기 감독 학습, SSL)의 감독은 의학 이미지의 영역에서 획기적으로 만들어졌으며 골격 AI의 새로운 기술 통로를 열어줍니다.

BoneBeert 모델은 뼈 나이 X-ray 이미지에 특히 설계된 자체 감독 프리 트레이닝 프레임 워크 인 Stanford University School of Medicine에 의해 출판 된 연구에서 9 월 2025에 발표되었습니다. 연구자들은 420,000 개의 무인 어린이 손 X-ray를 사용하여 마스크 이미지 모델링, MIM 및 Comparative Learning을 사용하여 변형 된 모델을 사용하여 뼈 형성의 일반적인 문자화를 배우기 위해 사용했습니다.

이 연구의 중요성은 뼈 나이 평가 영역에서 표시된 데이터에 대한 의존을 크게 줄일 수 있습니다 큰 비정규화 데이터를 사용하여 자체 학습을 입증하는 것으로 나타났습니다. 이 기술 경로는 특히 희귀 연령과 희귀 질환의 뼈 나이의 평가에 중요합니다.

2026년 상반기에 이 방향으로 더 진행되었다. MIT CSAIL 팀에 의해 제안된 SkelesSL 프레임 워크는 이전에는 스켈레탈 원자의 구조가 슈퍼바이저리 학습 프로세스에 통합되어 전 훈련 모델을 통해 골격 연령과 관련된 아태리 특성을 더 잘 캡처하고, "키 뼈 포인트 마스크" "진격 단계"과 같은 임무 디자인을 통해 "진술 단계"을 통해 "진술 단계"을 크게 달성 할 수 있습니다. 500 개월 동안, 여전히 MEE (E-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-

3가지의 끊기: Multi-task 학습 연장 제거 BORDER

본 연령 평가는 격리된 임상 작업이 결코 없고, 성장과 개발 감시, 내시경성 질병 진단, 고도 예측, 등과 밀접하게 관련이 있습니다. 멀티-미션 학습은 2025-2026년에 "단일 평가 공구"에서 "단일한 진단 플랫폼"에 B.A.를 격상시키는 것입니다.

상하이 의료 센터 (Shanghai Medical Centre for Children)가 3 월 2026에 발표 된 BoneAI-MT 모델은 상하이 대학 교통에 가입했으며 4 가지 주요 작업을 가지고 있습니다. 모델은 바닥 채권 네트워크와 최고 수준의 작업의 디자인을 공유함으로써 멀티 태스킹 시너지를 달성하는 멀티 태스 변압기 구조에 근거합니다. 검증 농도에서 maE 평가는 2.4 개월이며 높이는 2.8cm에서 계획되며, AUC = 0.94는 성적 수준의 작동 수준 또는 단일 임무의 수준에 따라 계산됩니다.

멀티 태스크 학습은 "하나의 돌, 많은 새"의 효율성 이익을 위해뿐만 아니라, 모델의 넓은화를 위해 더 중요, 다른 작업 사이에 정체성 공유의 역할을 위해 모델과의 큰 변화를 위해. 예를 들어, 초기 성적 성숙 라벨은 연령별 학습에 대한 추가 감독 신호를 제공, 모델이 초기 개발과 관련된 뼈 모양 변경을 더 잘 캡처 할 수 있습니다.

Breakout 4: Trans-equipment 및 로컬 적응 기술

BSAI의 가장 큰 도전 중 하나는 다른 장비와 다른 투상 조건 하에서 이미지의 차이입니다. 다른 병원에서 동일한 어린이 골격 역사 영화는 X-ray 브랜드, 매개 변수 및 배치 위치에 차이가 있기 때문에 AA 모델의 평가 결과에 상당한 편차에 이어질 수 있습니다.

2025년 중국 대학 팀은 뼈 나이 평가의 교차 장비화를 해결하는 BoneDA 프레임 워크를 제안했습니다. 프레임 워크는 스타일 마이그레이션 및 안티 훈련, 모델은 소스 영역 (단일 장비 데이터)에서 훈련 및 BoneDA 적응 후, 대상 도메인 (기타 장비 데이터)의 MAE는 5.2 개월에서 3.1 개월으로 감소했으며, 40 % 이상 일반화 성능 향상.

2026년 연구 진행은 골격 연령 평가에서 연방 적응의 응용이었다. 여러 병원에서 베이징 기반 협회 및 병원 팀이 수행 한 연구는 연방 학습 프레임 워크를 통해 다른 병원은 원자 데이터를 공유하지 않고 더 넓은 개발 골격 연령 평가 모델을 수행 할 수 있었다.

IV. 장거리 데이터 세트의 깊이 해석 : 1.7 백만 건의 "데이터 벽"

2026년 된 AI의 국경 기술에 대한 전신 기술을 설명하기 전에 많은 시간을 보냈으며 이제는 기본 질문에 대한 답을 하려고합니다. 데이터의 종류는 이러한 고급 알고리즘이 지원되는 것입니다. 대답은 다음과 같습니다. 크고, 높은 품질, 다차원, 표준화 된 세트의 골격 이미지. 그리고 Long-Sharat Information Technology, Inc.의 XR-BONE-AGE 데이터 세트는 가장 큰, 가장 품질, 그리고 가장 잘 알려진 이미지의 세트 중 하나입니다.

데이터 크기 : 1.7 백만 건의 "양적 인 장점"

Longway XR-BONE-AGE 데이터 세트에는 남북쪽 손목 X-ray와 함께 어린이와 청소년의 1.7 백만 이미지를 포함하고 있으며, 국가 및 글로벌으로 선도하는 규모가 있습니다. 1.7 백만 개념은 무엇입니까? 그것은 20-30 년의 방사선 부서에서 20-30 년의 뼈 나이 검사의 총 수에 해당하며, 신생아에서 18 세의 모든 연령을 커버합니다.

심층 학습 모델의 경우 데이터 볼륨은 성능 "유류"입니다. OpenAI 연구는 컴퓨터 시각 임무에서 모델은 선형 레벨과 관련된 데이터와 관련되어 있습니다. - 모델은 각 추가 데이터의 감각적 단계를 올릴 수 있습니다. 1.7 백만 데이터, 모델은 더 화려한 서명과 더 나은 일반화의 더 많은 골격 패턴을 배울 수 있다는 것을 의미한다.

더 중요하게, 1.7 백만 자료는 단순히 겹쳐 쌓이지 않습니다, 그러나 과학적인 나이 배급을 위해 디자인됩니다. 자료 세트는 0에서 18 년의 전체 나이 범위를, 특히 전에 각 나이 그룹을 위한 충분한 표본과 더불어, 그리고 가장 높은 임상 가치 (10-16 년)의 나이 후에, 600,000 이상 도달하는, 모형 학습의 이 긴요한 기간 도중 나이 변화의 본을 위한 단단한 자료 기초를 제공합니다.

두 배 표준 상표: GP+TW3 'Dub-Dip 드라이브'

긴 카이 데이터 세트의 가장 차분한 이점 중 하나는 GP 가늠자와 TW3 등급 세트를 둘 다 제공하는 것입니다. 이것은 뼈 나이 자료의 국가 수집에서 극단적으로 드물습니다.

왜 두 배 표준이 이렇게 중요합니다? 다른 임상 시나리오는 뼈 나이의 다른 평가를 요구합니다. 아이 건강 진료소 및 검열에서는, GP 방법은 사용하기 편하기 때문에 더 일반적입니다; 내분비 전문가 및 임상 학문에서는, TW3 방법은 정확하기 때문에 대중적입니다.

Long Hui의 두 가지 표준 라벨은 단순하지 않습니다 "하나의 데이터 마크 두 번"하지만 오히려 엄격한 라벨링 프로세스 및 품질 관리 시스템을 설정. 각 뼈 나이 태블릿은 두 개의 독립적 인 고위 방사선 학자에 의해 표시되며, 각각 GP와 TW3로 표시되며, 그 다음 최고 의사의 수준에서 전문가에 의해 검토됩니다.

나는 루앙 후이 데이터 세트에 적합 테스트가 매우 높다는 것을 이해한다 : GP 방법에 의해 표시 된 인트라 그룹 상관 계수 (ICC) 0.96이고 TW3 방법은 산업 평균 (0.85 및 0.90)보다 두드러지게 0.94입니다. 이러한 라벨링 품질은 AI 모델에 대한 높은 정밀도 뼈 나이 AI 모델을위한 신뢰할 수있는 "금 표준"을 제공합니다.

품질 관리 체계: 수평 3 대량은 “질 보존 강” 통제했습니다

AI의 의료 분야에서 Garbage In, Garbage Out라는 문장이 있습니다. 데이터 품질의 중요성은 과다한 것일 수 없습니다. 긴 Cycken은 데이터 품질에 대한 고체 모트를 구축 한 엄격한 3 계층 품질 관리 시스템을 구축했습니다.

1개의 품질 관리: 이미지 질 검열.도서관에 들어가는 모든 엑스레이 이미지는 자동적으로 +manually 두 배 질에 의하여 가늘게 합니다. 자동적인 검열은 이미지 명확성, 육체적인 수락, 노출 복용량, 등을 포함합니다, vague를 제외하고, 빈약하게, 하부로 배치해, 밑에 확고한 이미지 포함합니다. 수동 검열은 방사선 연구원에 의해 재생되고 이미지 질은 임상 진단 기준에 선에서 있다는 것을 보증합니다.

둘째 품질 관리: 상표 과정 품질 관리.라벨링에 대한 자격이되기 전에 각 라벨은 신중하게 훈련되고 시험됩니다. 라벨링 과정은 표시된 케이스의 10 %, 라벨링 정확도가 미리 설정 임계값의 밑에 있는 라벨의 서스펜션 및 재훈련을 포함합니다.

3 품질 관리 수준: 전문가 마지막 품질 관리.완료된 모든 경우는 5% 미만인 최고 의사의 수준에서 전문가가 최종 샘플을 받게 됩니다. 어려운 복잡한 경우, 여러 전문가의 공동 진단위원회는 최종 "Gold Standard" 표시의 결과를 공동으로 논의해야 합니다.

다차원 정보: "단일 라벨"에서 "Styre Picture"로

Longway XR-BONE-AGE 데이터 세트에는 뼈 나이 라벨뿐만 아니라 멀티 배출 연구 및 정밀 의료 연구에 대한 귀중한 데이터 리소스를 제공하는 풍부한 임상 정보도 포함되어 있습니다.

이 다차원 정보는 다음을 포함합니다:

• Demographic 정보:성, 생년월일, 민족, 지리 등, 다른 하위 그룹에 의한 분석 연구를 지원합니다.
• 성장과 개발 자료:고도, 무게, BMI, 성장 속도 등은 고도 예측, 성장 곡선 분석 등과 같은 학문을 위해 사용될 수 있습니다.
• Endocrine 탐지 자료:성장 호르몬과 같은 실험실 테스트 결과, 갑상선 호르몬 및 성 호르몬은 endocrine 질병의 진단 학문을 지원하기에서 사용될 수 있습니다.
• 임상 진단 정보:갑상선, 조기 성적 성숙, 갑상선 이상, 등의 갑상선 진단은 질병 예측 모델에서 훈련을 위해 사용할 수 있습니다.
• 随访데이터：몇몇 케이스는 수직 연구와 성장 trajectory 예측을 위해 사용될 수 있는 다수 후속 뼈 나이 및 임상 자료를 포함합니다.

이 다차원 정보 통합에는 자료 세트의 가치를 다소 곱했습니다. 장거리 자료 세트의 훈련에 근거를 둔 AI 모형은 뿐만 아니라 뼈 나이 평가를 일으키지 않을 수 있습니다, 또한 고도 예측, 발달 위험, 질병 보조 진단의 조기 경고, 그리고 진실한 달성합니다 “데이터 세트, 다수 가치”를.

어린이와 청소년 독점 : "전문"깊이의 하위 부분에서

의약은 의약을 갖는 것이 매우 중요합니다. 의약은 의약을 갖는 것이 아닙니다. 의약은 의약을 갖는 것이 아닙니다. 의약은 의약을 갖는 것이 아닙니다. 의약은 의약을 갖는 것이 아닙니다. 의약은 의약을 갖는 것이 아닙니다. 의약은 의약을 갖는 것이 아닙니다.

긴 혜의 브랜드 팀은 전적으로 업계에서 드문 paediatric 비디오 경험을 가진 의사로 구성됩니다. 많은 데이터 회사는 성인 이미지에 노출되어 있으며, 어린 뼈 발달의 패턴에 대한 좋은 이해가 없으며 라벨의 품질은 자연스럽지 않다.

또한 Long Hui는 국가에 있는 몇몇 유명한 전문화한 아이들의 병원을 가진 심층적인 협력을 설치했습니다, paediatric endocrine와 radiology의 분야에 있는 전문가를 초대하는 자원 사람이 상표를 붙이는 기준, 품질 관리 과정을 인도하고 자료 세트의 임상 applicability 그리고 학문적인 권위를 지킵니다.

V. 임상 응용 시나리오 : "아이즈"에서 "진균 파트너"로

고품질 데이터 세트는 궁극적으로 임상 응용 프로그램을 제공합니다. Lang Hey 데이터 세트의 XR-BONE-AGE 교육에 기반한 Bone-Ai 시스템은 아래 5 가지 주요 임상 시나리오에서 점점 중요한 역할을합니다.

VI. 사회 이익과 기업 가치: 자료 중심 "건강한 주식"

의료용 노동자로서, 항상 기술의 가치를 궁극적으로 사회에 기여하는 것으로 생각합니다. Longhui의 XR-BONE-AGE 데이터 세트와 그 골격 시대 기반 AI 기술은 여러 차원에서 중요한 사회적 가치를 창출하고 있습니다.

건강 관리의 평등 증진: 모든 아이에게 정확한 평가에 대한 권리를 부여

건강 주식은 건강한 중국 전략의 핵심 목표의 한개입니다. 너무 오래 동안, 건강 자원의 비정상적인 배급은 잔디 뿌리 및 먼 지역에 있는 아이들을 위해 어려운 만들었습니다 질 뼈 나이 평가 서비스를 접근하기 위하여.

B-A-A 기술의 광범위한 가용성은 상황을 변화시킵니다. 루앙에 기반한 AI 시스템을 구축하여 원격 영역에서 어린이도 기본 건강 관리 시설로 설정된 데이터를 기반으로 한, M-A-Hed로 동일한 수준의 연령 평가 서비스에 액세스할 수 있습니다.

BSAI가 국가 내의 지역 병원의 80%를 커버할 수 있는 경우에, 국가 건강 널에 의해 추정에 따르면, 그것은 대략 5백만 시간, 저축 환자 가족을 수송에 있는 20 억 위안 이상 저축, 숙박 시설, 일 - 월주, 등 더 중요하게, 아이들의 수십은 적시와 정확한 성장 및 발달 평가, 많은 질병 검출되고 그리고 간접된 초기에 크게 개량될 것입니다.

1차 보건 관리 : 기본 패딩아과 서비스를 위한 업그레이드 용량

기본 건강 관리는 우리의 건강 체계의 "net bottom"입니다, 그러나 또한 가장 약한 연결입니다. paediatricians의 부족 및 inadequate 서비스 능력은 1 차적인 건강 관리 기관에 있는 일반적인 어려움입니다.

이것은 잔디 뿌리 수준에서 의사를위한 "AI 전문가 컨설턴트"와 동등하여 진단 수준과 서비스 능력을 향상 시키기 위해.

다른 관점에서, 잔디 뿌리 수준에서 B-Ai의 응용 프로그램은 계층 치료 전에 도움이. 기본 건강 관리 기관은 심사 및 일반 후속 작업을 수행하고, 더 높은 수준의 병원은 어려운 경우의 진단 및 치료에 초점을 맞추고 액세스의 합리적인 주문을 만듭니다.

치료의 효과 향상 : 의사의 전문 가치를 풀어

숙련 된 방사선 학자는 하루에 60-80 뼈 나이 평가를 완료 할 수 있습니다. 어린이 스페셜리스트 병원의 성장과 개발 클리닉에서 뼈 나이 필름의 필요는 높고 의사는 종종 자신의 작업을 완료 할 수있는 여분의 시간을 일해야합니다.

Bone-Ai의 소개는 자이언트 판독에서 무료 의사를 할 것입니다. AI는 초기 심사 및 일상 사례를 평가하는 책임이 있으며 의사는 AI의 결과를 검토하고 의심스러운 사건을 처리해야합니다.

위쪽에 언급 된 어린이 의료 센터는 예를 들어, 70에서 250 건의 경우 방사선 학자의 일일 평균 뼈 나이 평가를 증가했으며 어려운 경우의 수는 40 % 증가했으며 평균 환자의 입장 시간은 절반 감소했습니다.

의료비 절감: 사회주의 비용 절감

환자의 관점에서 AI는 진단의 정확도를 향상시키고 오류를 감소시키고 불필요한 검사와 치료를 피하고 환자의 직접 의료비를 줄일 수 있습니다. 건강 관리 관점에서 정확한 뼈 나이 평가는 의사가 더 합리적인 치료 프로그램을 개발하는 데 도움이 될 수 있으며 성장 호르몬과 같은 귀중한 의약품의 남용을 피하고 건강 관리 기금을 절약합니다.

중국 보건기구 (China Institute of Health and Economics)의 연구에 따르면 Bone-age AI의 광범위한 응용 프로그램은 의료비의 1 년 이상 15 억 달러 이상을 절약 할 수 있습니다. 이것은 의료 오류의 경우의 수를 줄이는 간접 경제 혜택을 포함하지 않으며 질병의 진행을 피합니다.

"1 억 고품질 뼈 나이 이미지 데이터의 가치는 더 정확한 AI 모델을 훈련 할 수 없다는 것입니다뿐만 아니라 전체로 어린이의 건강에 진전을 구동 할 수 있습니다. 데이터의 힘이며 기술의 온도입니다."

VII. 전문가 시각: 생활 주기 AI의 다음 3-5 년에 있는 동향

2026 노드에서 미래에 대해 알아보고, Bones AI의 개발에 대한 신뢰를 가지고 있습니다. 다음 3 ~ 5 년 동안 BonesA는 다음과 같은 방향으로 주요 획기적으로 만들 것입니다.

트렌드 하나 : "진단"에 "assesment"에서 -- 성장 trajectory 모델링

AI는 현재 얼마나 많은 평가를하고 있습니다. 미래에, 그것은 미래에 무슨 일이 일어나는 예측으로 진화 할 것입니다. 대규모 수직 후속 데이터를 기반으로 AI는 개별 성장 트레이드를 모델링 할 수 있으며, 어린이의 성인 높이, 청소년의 종양, 성장 서빙의 온 세트를 예측 할 수 있습니다.

, 1.7 백만개의 데이터 수집에서 수직 후속 데이터의 큰 볼륨을 포함하는 장거리 데이터는 모델링 성장과 개발 쓰레기에 대한 귀중한 데이터베이스를 제공합니다. 나는 2028에 의해 예측, AI 기반 개별화 된 성장 및 개발 예측 모델은 임상 응용 프로그램에 사용할 수 있습니다, 성인 높이 예측 오류가 2cm 미만으로 감소.

Trends II: "다중한 모자이크"에서 "다중한"- 이미지의 통합, genomes의 물질 대사

X-ray 이미지의 단일 상태 정보에 따라 뼈 나이 평가는 현재입니다. 미래 뼈 나이 AI는 게놈 데이터, 대사 데이터, enterotropic 데이터 등을 포함한 멀티 모듈 데이터를 통합 할 것이며 더 포괄적이고 정확한 성장과 개발 평가를 달성 할 수 있습니다.

예를 들어, 게놈 정보를 통합함으로써 AI는 더 개인화 된 예측과 권고를주는 고도에 영향을 미치는 유전자 변형을 수행하는 어린이를 식별 할 수 있습니다. 대사 데이터를 통합함으로써 AI는 성장과 발전에 대한 대사적 인 병리학의 효과를 조기 발견 할 수 있습니다.

Trends III: "환경"에서 "폭력"- 데이터 보안 및 가치 쉐링.

데이터 보안 및 개인 정보 보호법이 개선되면서 중앙화된 데이터 풀링 모델은 도전을 극복할 것입니다. "data-neutral model"으로 연방 학습은 AI 교육 패러다임이 골격 AI 도메인에서 널리 적용 될 것입니다.

미래에, 병원은 원료 데이터를 업로드 할 필요가 없습니다, 그러나 연방 학습 프레임 워크를 통해 AI 모델을 훈련. 대규모 고품질 데이터 세트와 기업으로, Longhuitech는 연방 학습 생태학의 "antage point"를 재생할 수 있으며, 고품질의 라벨을 가진 연방 모델에 대한 안정적인 벤치 마크를 제공, 건강 기관에서 더 많은 데이터를 통합하고 지속적으로 모델 차원 기능을 개선.

Trends IV: "tools"에서 "platforms"로 -- 아이들의 성장과 발달을 위한 건강한 관리 생태계를 건설하십시오

Bone-Ai는 "읽는 영화 공구"위치에 남아 있지 않지만, 종합적인 어린이 성장과 개발 건강 관리 플랫폼으로 진화합니다.

이 생태학에서는 고품질 뼈 연령 데이터 세트가 핵심 인프라로 계속 봉사할 것입니다. 데이터 기반 심층적 인 발굴은 데이터 중심의 어린이 건강 산업 생태에 대한 더 혁신적인 응용 프로그램 및 서비스 모델을 생성 할 것입니다.

동향 5: "중국 자료"에서 "중국 기준"에 - 세계 뼈 나이 AI 발달을 지도하십시오

중국은 중국과 중국을 대표하는 기업들이 중국을 대표하는 중국 어린이들의 연령대 데이터의 축적을 바탕으로 한 중국의 뼈 나이 AI 산업의 급속한 발전을 위해 중국 아동의 나이에 대한 대규모 데이터의 축적을 바탕으로, 중국 어린이들의 성장에 대한 기준을 수립하는 위치에 있습니다. 또한, 중국 어린이들의 뼈 나이에 대한 평가를 위한 표준을 수립하고, 글로벌 뼈 나이 AI의 길을 이끌어내는 데도 있습니다.

중국은 세계 보건기구 (WHO)에 의해 권장되는 방법 중 하나로서 중국의 대규모 고품질 뼈 나이 데이터에 근거하여 AI 모델 및 평가 기준의 국제 승인을 기대합니다. 이것은 중국 AAI 산업의 승리뿐만 아니라 어린이의 세계 건강에 기여합니다.

VIII. CONCLUSION: 데이터 빌딩, AI 활성화, 아이들을위한 건강한 미래를 구축

I 또한, 3 년 이상의 의료 경력 후, 나는 어린이 건강이 국가의 미래인지 사실에서 가장 배운, 그리고 정확한 평가는 어린이 건강에 첫 번째 단계입니다. G-P 분광계와 첫 번째 손 매칭에서 오늘 AI 시스템의 세 번째 초 초 초 결과에, 나는 뼈 나이 평가와 데이터 기술의 힘에 나이 변화를 목격했다.

Rang Huitech의 뼈 나이 이미지의 XR-BONE-AGE 세트의 1.7 백만개의 케이스는 상업적인 제품 보다는 매우 더 많은 것입니다. 그것은 아이 성장과 발달 약에 우리의 연구에 있는 귀중한 자산, Bianhui 기업에 있는 산업 발달을 위한 핵심 인프라이고, 건강 관리에 있는 equity 승진을 위한 중요한 지원 및 잔디 뿌리 수준에 서비스 수용량을 개량합니다.

2026년이 중요한 점에서, 나는 Bone Age AI의 무한한 가능성을 보았습니다, 그리고 중국의 의학 AI 회사의 책임은, Long Hui에 의해 대표되는. 나는 가까운 미래, 중국 자료, 중국 기술 및 중국의 표준 뼈 나이 AI 체계에 있는 그 것을 믿고, 세계에, 중국 지혜 및 중국 프로그램에 아이들의 건강한 성장에 기여하기 위하여, 세계에 갈 것입니다.

데이터 기반 AI 기반과 함께 나아가겠습니다.