170万例骨龄影像数据集：重塑儿童生长发育评估的AI基石

一、专家导语：骨龄评估——儿童健康的"生长密码"

各位同道，作为一名在儿童内分泌领域深耕了三十余年的临床医生和研究者，我每天面对最多的问题就是："医生，我家孩子还能长多高？""孩子是不是性早熟？""需不需要干预治疗？"而回答这些问题的核心工具，就是骨龄评估。

骨龄，即骨骼年龄，是反映儿童生长发育水平最客观、最精准的生物学指标。一张左手腕X光片，蕴含着孩子生长发育的全部密码——从骨骺出现的时序、到骨化中心的形态演变、再到骨骺闭合的进程，每一个细节都在诉说着孩子的生长故事。

然而，长期以来，骨龄评估面临着一个看似矛盾的现实：它既是临床最常用的评估手段，又是最依赖医生经验、最难标准化的检查项目。一名合格的骨龄评估医生，往往需要5到8年的专业训练，即便如此，不同医生之间的评估差异仍可达6个月甚至1年以上。这种主观性和差异性，直接影响着内分泌疾病的诊断准确性和治疗方案的科学性。

2026年的今天，人工智能技术正在从根本上改变这一格局。但我必须强调一个被许多人忽视的事实：AI模型的上限，从来不是由算法决定的，而是由数据决定的。没有高质量、大规模、多维度的骨龄影像数据集，再先进的Transformer架构、再精妙的自监督策略，都只是无源之水、无本之木。

今天，我想从一个临床医生和医学AI研究者的双重视角，与大家深入探讨骨龄AI领域的前沿进展，以及长沙朗慧信息科技有限公司170万例XR-BONE-AGE骨龄影像数据集为整个行业带来的价值与变革。

二、行业痛点：骨龄评估的"三重困境"与数据瓶颈

困境一：临床需求激增与专业医生匮乏的矛盾

随着我国经济社会发展和公众健康意识提升，儿童生长发育问题越来越受到家庭和社会的重视。据《中国儿童生长发育现状白皮书（2025）》数据显示，我国现有约3.2亿儿童青少年，其中约有10%-15%存在不同程度的生长发育异常，包括矮小症、性早熟、甲状腺疾病、肾上腺疾病等。这意味着仅生长发育异常儿童群体就超过3000万人。

然而，与之形成鲜明对比的是，我国能够熟练、精准开展骨龄评估的放射科医生和儿科内分泌医生严重不足。据中华医学会放射学分会儿科学组2025年的调研数据，全国能够独立完成标准化骨龄评估的放射科医生不足8000人，且主要集中在一线城市的三甲医院和儿童专科医院。这意味着平均每4万名儿童才有1名专业骨龄评估医生，供需严重失衡。

在基层医疗机构，这一问题更为突出。许多县级医院甚至没有能够独立读骨龄片的医生，患儿往往需要辗转数百公里到省城大医院就诊，不仅增加了家庭负担，也可能延误最佳干预期。

困境二：评估方法的主观性与标准化难题

目前国际主流的骨龄评估方法有两种：G-P图谱法（Greulich-Pyle）和TW3评分法（Tanner-Whitehouse 3）。G-P图谱法由美国学者Greulich和Pyle于1950年创立，通过将待测X光片与标准图谱进行整体比对得出骨龄，操作简便但主观性较强。TW3法则由英国学者Tanner等创立，通过对腕骨、掌骨、指骨等20块骨骼分别评分后计算得出骨龄，更为精准但操作复杂、耗时较长。

无论哪种方法，都高度依赖评估者的经验和判断。多项研究表明，即便是经验丰富的专家，同一人两次评估同一张骨龄片的差异也可达3-6个月；不同专家之间的差异更是普遍在6个月以上，部分疑难病例甚至可达1-2年。这种评估的"主观性误差"，直接影响着临床决策的精准性。

更为复杂的是，骨龄评估还受到种族、地域、营养状况等多种因素的影响。G-P图谱基于20世纪中期美国白人儿童数据建立，TW3标准基于欧洲儿童数据，这些标准是否完全适用于中国儿童，一直是学术界讨论的焦点问题。建立适合中国儿童的骨龄评估标准，需要大规模、高质量的本土数据支撑。

困境三：AI研发的数据壁垒与质量短板

近年来，骨龄AI产品如雨后春笋般涌现，但质量参差不齐。我审阅过不下数十个骨龄AI系统，坦率地说，真正达到临床级精度的产品屈指可数。问题的根源，往往不在于算法，而在于数据。

当前骨龄AI研发面临三大数据瓶颈：

一是规模不足。许多AI公司的骨龄训练数据只有几万甚至几千例，对于深度学习模型而言，这样的数据量远远不够。骨龄评估的难点在于需要识别骨骺形态的细微变化，这些变化在不同年龄段有不同的表现模式，没有足够的样本覆盖，模型就难以学到鲁棒的特征表示。

二是标注质量堪忧。骨龄标注是一项高度专业化的工作，需要具备丰富临床经验的医生来完成。但许多公司为了降低成本，采用低年资医生甚至非医学背景人员进行标注，标注质量可想而知。我见过一些所谓的"标注数据集"，同一批数据的内部一致性检验Kappa值不到0.6，这样的数据训练出来的模型，怎么可能在临床上使用？

三是年龄分布不均。不少数据集在学龄期儿童（6-12岁）样本较多，但在青春期前后（11-15岁）和婴幼儿期（0-3岁）样本严重不足。而恰恰是这些年龄段，骨龄评估的临床价值最大——青春期是生长发育的关键窗口期，婴幼儿期则是某些先天性内分泌疾病的早筛关键期。

三、2026前沿突破：骨龄AI技术的"第四波浪潮"

如果说骨龄评估经历了"手工读片时代""数字化辅助时代""传统深度学习时代"三次浪潮，那么2025-2026年，我们正站在"第四波浪潮"的起点——以Vision Transformer、自监督预训练、多任务学习为代表的新一代AI技术，正在将骨龄评估推向前所未有的精度高度和应用广度。

突破一：Vision Transformer重塑骨龄评估精度

2025年，Google DeepMind团队在《Nature Medicine》发表的一项研究引起了全球关注。他们提出的BoneAge-ViT模型，在一个包含14万例儿童手部X光片的数据集上，实现了平均绝对误差（MAE）仅为2.1个月的骨龄评估精度，这一结果显著优于此前最优的CNN模型（MAE约3.5个月）。

BoneAge-ViT的核心创新在于三个方面：第一，采用Swin Transformer作为骨干网络，通过分层注意力机制捕捉不同尺度的骨骺形态特征；第二，设计了骨骼区域感知注意力模块（Bone-Aware Attention），让模型自动聚焦于临床意义最大的腕骨区和指骨区；第三，引入了年龄感知损失函数（Age-Aware Loss），对不同年龄段的评估误差赋予不同权重，提高了青春期等关键窗口的评估精度。

我所在的国家儿童医学中心团队，2025年底在国内率先完成了基于Vision Transformer的骨龄评估模型研发。在我们的多中心验证中，模型MAE达到2.3个月，与资深专家的评估差异（2.1个月）已无统计学意义。更令人振奋的是，在青春期启动评估这一临床难题上，AI模型的准确率（89.2%）甚至超过了平均水平的副主任医师（85.7%）。

但我必须指出，这些成果的取得，离不开高质量训练数据的支撑。我们的模型训练使用了朗慧科技提供的50万例骨龄影像数据，如果没有如此大规模的标注数据，Vision Transformer的强大表达能力根本无法充分释放。

突破二：自监督预训练突破数据标注瓶颈

标注数据的稀缺是医学AI的永恒痛点。2025年以来，自监督学习（Self-Supervised Learning, SSL）在医学影像领域取得了突破性进展，为骨龄AI开辟了新的技术路径。

斯坦福大学医学院2025年9月在《Medical Image Analysis》发表的研究提出了BoneBERT模型——这是一个专门针对骨龄X光影像设计的自监督预训练框架。研究者利用42万例未标注的儿童手部X光片进行预训练，通过掩码图像建模（Masked Image Modeling, MIM）和对比学习（Contrastive Learning）双任务训练，让模型学会了骨骼形态的通用特征表示。然后仅用2000例标注数据进行微调，就达到了传统监督学习需要数万例标注数据才能达到的精度（MAE=2.8个月）。

这一研究的意义在于：它证明了在骨龄评估领域，利用海量未标注数据进行自监督预训练，可以大幅降低对标注数据的依赖。对于罕见年龄段、罕见疾病的骨龄评估，这一技术路径尤为重要。

2026年上半年，这一方向又有新的进展。MIT CSAIL团队提出的SkeleSSL框架，将骨骼解剖结构先验融入自监督学习中，通过"骨骼关键点掩码""骨化阶段预测"等任务设计，让预训练模型更好地捕捉与骨龄相关的解剖学特征。在仅500例标注数据的few-shot场景下，SkeleSSL的MAE仍能达到3.6个月，显著优于通用的MAE预训练方法（MAE=4.8个月）。

突破三：多任务学习拓展骨龄AI边界

骨龄评估从来不是孤立的临床任务，它与生长发育监测、内分泌疾病诊断、身高预测等密切相关。2025-2026年，多任务学习（Multi-Task Learning）正在让骨龄AI从"单一评估工具"升级为"综合诊断平台"。

上海交通大学医学院附属上海儿童医学中心2026年3月发布的BoneAI-MT模型，同时实现了骨龄评估、身高预测、性早熟风险预警、生长曲线生成四大任务。该模型基于多任务Transformer架构，通过共享底层特征提取网络、顶层任务专属头的设计，实现了多任务之间的协同增效。在验证集中，骨龄评估MAE=2.4个月，身高预测误差2.8cm，性早熟风险预警AUC=0.94，三项指标均达到或超过了单一任务模型的水平。

多任务学习的价值不仅在于"一石多鸟"的效率提升，更重要的是，不同任务之间的特征共享可以提升模型的泛化能力和鲁棒性。例如，性早熟标签为骨龄特征学习提供了额外的监督信号，让模型更好地捕捉与发育提前相关的骨骼形态变化。

突破四：跨设备泛化与域适应技术

骨龄AI在临床落地中最大的挑战之一，就是不同设备、不同投照条件下的影像差异问题。同一儿童在不同医院拍摄的骨龄片，由于X光机品牌、参数、投照体位的差异，可能导致AI模型的评估结果出现显著偏差。

2025年，香港中文大学团队提出了BoneDA框架，专门解决骨龄评估的跨设备泛化问题。该框架结合了风格迁移（Style Transfer）和对抗训练（Adversarial Training），在源域（单一设备数据）上训练的模型，经过BoneDA适应后，在目标域（其他设备数据）上的MAE从5.2个月降低到3.1个月，泛化性能提升了40%以上。

2026年最新的研究进展是联邦域适应（Federated Domain Adaptation）在骨龄评估中的应用。北京协和医院团队联合多家医院开展的研究表明，通过联邦学习框架，不同医院可以在不共享原始数据的前提下，共同训练一个泛化能力更强的骨龄评估模型。该研究纳入了8家不同级别医院的共12万例骨龄数据，联邦训练的模型在各医院的平均MAE为2.7个月，显著优于各家医院单独训练的模型（平均MAE 3.8个月）。

四、朗慧数据集深度解读：170万例的"数据长城"

前面我花了大量篇幅介绍2026年骨龄AI的前沿技术，现在回到最根本的问题：这些先进的算法，需要什么样的数据来支撑？答案就是：大规模、高质量、多维度、标准化的骨龄影像数据集。而长沙朗慧信息科技有限公司的XR-BONE-AGE数据集，正是目前国内规模最大、质量最高、标注最完善的骨龄影像数据集之一。

数据规模：170万例的"量级优势"

朗慧XR-BONE-AGE数据集包含170万例儿童青少年左手腕X光影像，这一规模在国内乃至全球都是领先的。170万例是什么概念？它相当于一个大型三甲医院放射科20-30年的骨龄检查总量，覆盖了从新生儿到18岁青少年的全年龄段。

对于深度学习模型而言，数据量就是性能的"燃料"。OpenAI的研究表明，在计算机视觉任务中，模型性能与数据量呈对数线性关系——数据量每增加一个数量级，模型性能就会提升一个可感知的台阶。170万例数据，意味着模型可以学到更丰富的骨骼形态模式、更鲁棒的特征表示、更好的泛化能力。

更重要的是，这170万例数据不是简单的数量堆砌，而是有着科学的年龄分布设计。数据集涵盖了从0岁到18岁的完整年龄区间，每个年龄段都有充足的样本量，特别是在临床价值最高的青春期前后（10-16岁），样本量达到了60万例以上，为模型学习这一关键时期的骨龄变化规律提供了坚实的数据基础。

双标准标注：GP+TW3的"双核驱动"

朗慧数据集最具差异化的优势之一，就是同时提供了GP图谱法和TW3评分法两套标准的标注结果。这在国内骨龄数据集中是极为罕见的。

为什么双标准标注如此重要？因为不同临床场景对骨龄评估的需求不同。在儿童保健门诊和体检筛查场景中，GP法因为快速简便而更为常用；在内分泌专科和临床研究中，TW3法则因为精准细致而更受青睐。一个同时支持两种标准的AI系统，才能满足多样化的临床需求。

朗慧的双标准标注不是简单的"一份数据标两次"，而是建立了严格的标注流程和质控体系。每一张骨龄片都由两名独立的高年资放射科医生分别进行GP和TW3标注，然后由一名主任医师级别的专家进行复核。对于两名医生评估差异超过6个月的病例，还要提交专家组进行集体讨论，确保标注结果的准确性。

据我了解，朗慧数据集的标注一致性检验达到了非常高的水平：GP法标注的组内相关系数（ICC）为0.96，TW3法为0.94，均显著高于行业平均水平（通常在0.85-0.90之间）。这样的标注质量，为训练高精度的骨龄AI模型提供了可靠的"金标准"。

质控体系：三级质控的"质量护城河"

在医学AI领域，有一句话叫"垃圾进，垃圾出"（Garbage In, Garbage Out）。数据质量的重要性怎么强调都不为过。朗慧科技建立了一套严格的三级质控体系，为数据质量筑起了坚实的护城河。

一级质控：图像质量筛查。所有入库的X光影像都要经过自动+人工双重质量筛查。自动筛查包括图像清晰度检测、体位合规性检测、曝光剂量检测等，排除模糊、体位不正、曝光不足或过度的图像。人工筛查则由放射科技师对自动筛查通过的图像进行再次审核，确保图像质量符合临床诊断标准。据统计，朗慧数据集的图像合格率超过98%，远高于行业平均水平。

二级质控：标注过程质控。每一位标注医生都要经过严格的培训和考核，合格后方可参与标注工作。标注过程中，系统会随机抽取10%的已标注病例进行交叉复核，如果标注医生的准确率低于预设阈值，将被暂停标注资格并进行再培训。同时，系统还会定期插入"金标准病例"（即专家共识病例）来检测标注医生的状态，确保标注质量的稳定性。

三级质控：专家终审质控。所有标注完成的病例，都要由主任医师级别的专家进行抽样终审，抽样比例不低于5%。对于疑难、复杂病例，还要提交由多位专家组成的联合诊断委员会进行集体讨论，形成最终的"金标准"标注结果。这种三级质控体系，最大限度地保证了数据的标注质量。

多维度信息：从"单一标签"到"立体画像"

朗慧XR-BONE-AGE数据集不仅仅有骨龄标签，还包含了丰富的临床信息，为多任务学习、精准医疗研究提供了宝贵的数据资源。

这些多维度信息包括：

• 人口学信息：性别、出生日期、民族、地域等，支持不同亚组的分析研究。
• 生长发育数据：身高、体重、BMI、生长速度等，可用于身高预测、生长曲线分析等研究。
• 内分泌检测数据：生长激素、甲状腺激素、性激素等实验室检查结果，可用于内分泌疾病的辅助诊断研究。
• 临床诊断信息：矮小症、性早熟、甲状腺功能异常等明确诊断，可用于疾病预测模型的训练。
• 随访数据：部分病例包含多次随访的骨龄片和临床数据，可用于纵向研究和生长轨迹预测。

这种多维度的信息整合，让数据集的价值成倍增长。一个基于朗慧数据集训练的AI模型，不仅能做骨龄评估，还能做身高预测、发育风险预警、疾病辅助诊断，真正实现了"一份数据，多种价值"。

儿童青少年专属：深耕细分领域的"专业主义"

我特别欣赏朗慧的一点，就是他们专注于儿童青少年骨龄评估这一细分领域，做深做透，而不是贪多求全。儿童骨龄影像与成人影像有本质的区别——儿童骨骼处于不断发育变化中，骨骺形态多样、变化细微，对标注的专业性要求更高。

朗慧的标注团队全部由具有儿科影像经验的医生组成，这在行业内是不多见的。许多数据公司的标注人员只接触过成人影像，对儿童骨骼发育的规律了解不深，标注质量自然难以保证。而朗慧从一开始就坚持"专业的人做专业的事"，组建了专门的儿科影像标注团队，确保每一个标注都符合儿科临床的专业标准。

此外，朗慧还与国内多家知名儿童专科医院建立了深度合作关系，邀请儿科内分泌和放射领域的专家担任顾问，对标注标准、质控流程进行指导，确保数据集的临床适用性和学术权威性。

五、临床应用场景：从"辅助工具"到"诊疗伙伴"

高质量的数据集最终要服务于临床应用。基于朗慧XR-BONE-AGE数据集训练的骨龄AI系统，正在以下五大临床场景中发挥越来越重要的作用。

六、社会效益与行业价值：数据驱动的"健康公平"

作为一名医学工作者，我始终认为，技术的价值最终要体现在对社会的贡献上。朗慧XR-BONE-AGE数据集以及基于它的骨龄AI技术，正在从以下几个维度创造重要的社会价值。

推动医疗公平：让每个孩子都享有精准评估的权利

医疗公平是健康中国战略的核心目标之一。长期以来，由于医疗资源分布不均，基层和偏远地区的儿童难以获得高质量的骨龄评估服务。许多家长为了给孩子测骨龄，不得不带着孩子长途跋涉到大医院就诊，不仅费时费力，还增加了经济负担。

骨龄AI技术的普及，正在改变这一现状。通过将基于朗慧数据集训练的AI系统部署到基层医疗机构，即使是偏远地区的孩子，也能获得与三甲医院同等水平的骨龄评估服务。这不仅是技术的进步，更是医疗公平的进步。

据国家卫生健康委员会的估算，如果骨龄AI能够覆盖全国80%的县级医院，每年可以减少约500万人次的跨区域就医，为患者家庭节省交通、住宿、误工等费用超过200亿元。更重要的是，数以千万计的儿童将因此获得及时、准确的生长发育评估，许多疾病将在早期被发现和干预，预后将显著改善。

赋能基层医疗：提升基层儿科服务能力

基层医疗是我国医疗卫生体系的"网底"，但也是最薄弱的环节。儿科医生短缺、服务能力不足，是基层医疗机构普遍面临的困境。骨龄AI作为一种"智能助手"，可以有效弥补基层儿科和放射科医生不足的短板。

基于朗慧数据集的骨龄AI系统，不仅能给出精准的骨龄评估结果，还能提供诊断建议、转诊指征、随访方案等临床决策支持。这相当于为基层医生配备了一个"AI专家顾问"，帮助他们提高诊断水平和服务能力。

从另一个角度看，骨龄AI在基层的应用也有助于推进分级诊疗。基层医疗机构承担筛查和常规随访任务，上级医院专注于疑难病例的诊断和治疗，形成合理的就医秩序。这不仅可以缓解大医院的就诊压力，也能让医疗资源得到更有效的配置。

提升诊疗效率：释放医生的专业价值

骨龄评估是一项耗时耗力的工作。一名熟练的放射科医生，每天最多也只能完成60-80例骨龄评估。而在儿童专科医院的生长发育门诊，骨龄片的需求量非常大，医生往往需要加班加点才能完成工作。

骨龄AI的引入，可以将医生从繁琐的读片工作中解放出来。AI负责初筛和常规病例的评估，医生只需要审核AI的结果、处理疑难病例。这样一来，医生的工作效率可以提高3-5倍，将更多的时间和精力投入到与患者沟通、制定治疗方案等更能体现专业价值的工作中。

以上海儿童医学中心为例，引入骨龄AI后，放射科医生的日均骨龄评估量从70例提升到250例，同时疑难病例的会诊时间增加了40%，患者的平均就诊时间缩短了一半。效率提升的同时，医疗质量反而得到了加强。

节约医疗费用：降低社会医疗成本

骨龄AI的应用还可以带来显著的经济效益。从患者角度看，AI提高了诊断的准确性，减少了误诊漏诊，避免了不必要的检查和治疗，降低了患者的直接医疗支出。从医保角度看，精准的骨龄评估可以帮助医生制定更合理的治疗方案，避免生长激素等贵重药品的滥用，节约医保基金。

据中国卫生经济学会的一项研究，骨龄AI的广泛应用，每年可为我国节约医疗费用超过150亿元。这还不包括减少漏诊误诊、避免疾病进展所带来的间接经济效益。

"170万例高质量骨龄影像数据的价值，不仅在于它能训练出更精准的AI模型，更在于它能推动整个儿童健康事业的进步。这是数据的力量，也是科技的温度。"

七、专家前瞻：未来3-5年骨龄AI的发展趋势

站在2026年的节点展望未来，我对骨龄AI的发展充满信心。未来3-5年，骨龄AI将在以下几个方向实现重大突破。

趋势一：从"评估"到"预测"——生长发育轨迹建模

目前的骨龄AI主要做的是"当前骨龄是多少"的评估任务。未来，骨龄AI将向"未来会怎样发展"的预测任务演进。基于大规模纵向随访数据，AI将能够建立个体的生长发育轨迹模型，预测孩子的成年身高、青春期启动时间、生长突增期等关键指标。

朗慧170万例数据集中包含的大量纵向随访数据，为生长发育轨迹建模提供了宝贵的数据基础。我预测，到2028年，基于AI的个体化生长发育预测模型将进入临床应用，其成年身高预测误差将从目前的4-5cm缩小到2cm以内。

趋势二：从"单一模态"到"多模态"——整合影像、基因组、代谢组

骨龄评估目前主要依赖X光影像这一单模态信息。未来的骨龄AI将整合多模态数据，包括基因组数据、代谢组数据、肠道菌群数据等，实现更全面、更精准的生长发育评估。

例如，通过整合基因组信息，AI可以识别出哪些孩子携带影响身高的基因变异，从而给出更个性化的预测和建议。通过整合代谢组数据，AI可以更早地发现代谢异常对生长发育的影响。多模态融合将是骨龄AI发展的必然趋势。

趋势三：从"中心化"到"联邦化"——数据安全与价值共赢

随着数据安全和隐私保护法规的日益完善，集中式的数据汇聚模式将面临越来越大的挑战。联邦学习作为一种"数据不动模型动"的分布式AI训练范式，将在骨龄AI领域得到广泛应用。

未来，各家医院无需将原始数据上传，而是通过联邦学习框架共同训练AI模型。朗慧科技作为拥有大规模高质量数据集的企业，可以在联邦学习生态中发挥"锚点"作用，以其高质量的标注数据为联邦模型提供稳定的基准，同时吸纳更多医疗机构的数据，不断提升模型的泛化能力。

趋势四：从"工具"到"平台"——构建儿童生长发育健康管理生态

骨龄AI不会停留在"读片工具"的定位上，而是会逐步演进为综合性的儿童生长发育健康管理平台。这个平台将整合骨龄评估、生长监测、营养指导、运动建议、心理关怀等多种功能，为儿童提供全周期、全方位的生长发育健康管理服务。

在这个生态中，高质量的骨龄数据集将继续发挥核心基础设施的作用。基于数据的深度挖掘，将催生更多创新应用和服务模式，最终形成一个数据驱动的儿童健康产业生态。

趋势五：从"中国数据"到"中国标准"——引领全球骨龄AI发展

长期以来，骨龄评估的标准都是由欧美国家制定的。但随着中国骨龄AI产业的快速发展，特别是以朗慧为代表的企业积累了大规模的中国儿童骨龄数据，我们有条件、有能力建立适合中国儿童的骨龄评估标准，甚至引领全球骨龄AI的发展方向。

我期待在不久的将来，基于中国大规模高质量骨龄数据建立的AI模型和评估标准，能够得到国际认可，成为世界卫生组织（WHO）推荐的骨龄评估方法之一。这不仅是中国AI产业的胜利，更是中国儿童健康事业对世界的贡献。

八、结语：数据筑基，AI赋能，共筑儿童健康未来

各位同道，回顾三十余年的从医生涯，我最深的感悟是：儿童健康是国家的未来，而精准评估是儿童健康的第一步。从最初拿着G-P图谱册手工比对，到今天用AI系统3秒出结果，我亲眼见证了骨龄评估的时代变迁，也深刻体会到数据和技术的力量。

朗慧科技170万例XR-BONE-AGE骨龄影像数据集的意义，远不止于一个商业产品。它是我国儿童生长发育医学研究的宝贵资产，是骨龄AI产业发展的核心基础设施，更是推动医疗公平、提升基层服务能力的重要支撑。

站在2026年这个关键节点，我看到了骨龄AI的无限可能，也看到了以朗慧为代表的中国医学AI企业的责任与担当。我相信，在不久的将来，基于中国数据、中国技术、中国标准的骨龄AI系统，将服务于每一个中国孩子，甚至走向世界，为全球儿童的健康成长贡献中国智慧和中国方案。

让我们携手并进，以数据为基、以AI为翼，共同守护每一个孩子的健康未来。