MEDICAL DATA RESEARCH
骨龄片X光数据如何成为可复核的AI研究输入:从Study计数到外部验证
面向医疗AI研发团队,拆解骨龄片X光从Study级计数、DICOM原始与派生对象、报告和方法版本绑定,到质量分层、患者级切分与外部验证的可复核数据链路。
儿童左手腕X光片交给AI团队时,最先需要回答的往往不是“能不能预测骨龄”,而是一个更基础的问题:这一行数据究竟代表哪一次检查?它是否仍是可读取的原始影像,报告与影像是否属于同一个Study,骨龄值采用了哪一种方法和版本,训练集中的同一儿童是否又出现在测试集?如果这些关系没有在交付前固定,模型看到的可能是重复导出、错配报告、方法混用或带有隐性身份信息的文件;即使最终得到一个漂亮的平均误差,也很难说明它能否迁移到新的中心、设备和年龄段。
骨龄数据集建设因此不是把若干手腕片和一个年龄数字放入文件夹,而是把临床任务、影像对象、结构化语义、专家判断和质量证据组织成可审计的研究输入。本文讨论一类典型的骨龄片X光多模态交付需求:以儿童和青少年左手腕标准正位影像为主,关联检查级报告与可得的生长、内分泌或随访信息,支持骨龄评估模型、质量控制模型和纵向研究。文中只讨论可迁移的技术设计,不代替临床指南、伦理审查、数据授权或医疗器械验证。
先把临床任务写成数据任务
骨龄评估通常依据手和腕部骨化中心的成熟度,将骨龄与实足年龄进行比较。常见的Greulich–Pyle(GP)方法依赖与图谱影像比较,Tanner–Whitehouse(TW)方法则把不同骨骼的发育阶段转成评分,再汇总为骨龄;二者并不是可在清洗阶段随意互换的同一个标签。相关研究显示,自动化系统的训练和验证需要明确参考标准、读片者和人群范围;在不同人群中,模型可能出现方向性偏移,而不是只有随机误差13。
把需求拆解时至少要固定六件事。第一,临床问题是估计GP骨龄、输出TW评分、预测骨龄差,还是识别“与实足年龄相符、提前、延迟、不可评价”等报告级状态。第二,输入模态和解剖范围是否只包括左手腕X光,是否有其他侧别、额外投照或处理图。第三,输出颗粒度是一次检查、单张图、Series、患者纵向轨迹,还是患者级多模态集合。第四,标签来自医生报告、独立阅片、检验或随访,还是自动算法的派生结果。第五,质量门控如何区分部分覆盖、旋转、遮挡、曝光异常和真正的阴性。第六,验收需要复核什么,是文件可读、图文一致、字段完整、分布可解释,还是还要进行独立外部测试。
这六件事如果没有写进字段字典,后续的“数据量”就缺乏可解释性。例如,同一Study有多个视图、重建或重复导出时,文件数增加并不代表新增病例;一份自动骨龄结果如果没有医生报告或方法版本,也不能被当成临床金标准;一张只覆盖部分手部结构的影像,不能支持未进入视野区域的阴性结论。可用数据的分母应当来自稳定主键和可回放的纳排规则,而不是来自压缩包大小或表格行数。
一次Study应是计数和关联的锚点
骨龄片数据最容易发生的工程错误,是把“文件”当作“病例”。更稳妥的做法是以一次骨龄检查或Study作为计数单位,再向下保留Series、Instance和文件层级。一次Study内的多序列、多视图、多期相、重复导出或处理版本需要被识别并归在同一检查下;如果研究任务只允许一次标准正位作为主要输入,其他对象应作为同一检查的补充或派生,不应悄悄扩张为多个独立样本。
这并不意味着要删除所有重复对象。原始影像、显示用处理图、算法输出和脱敏后再编码的文件,可能都对复现有价值,但它们的角色必须显式记录。索引中可设置原始/派生状态、Study与Series引用、文件大小、格式、哈希、转换工具版本和可读取结果。这样,研究者可以回答“模型究竟读了哪一个对象”,验收者也可以重新计算合格Study数量,而不是依赖一个无法追溯的汇总数字。
DICOM数字X光信息对象的设计也提示了同一原则:数字X光影像应当对应一次X线曝光,使解剖方向和采集属性保持有意义;面向显示与面向后续处理的对象还可能属于不同的SOP类6。因此,交付设计不能只写“DICOM格式”,还要核对侧别、视图、体位、像素间距、曝光相关信息、设备和软件版本,以及影像是原始采集、处理后显示还是算法派生。对训练端而言,这些元数据既帮助进行质量分层,也帮助识别模型是否把设备或处理流程当成了疾病线索。
图1|骨龄片X光可审计交付链路。技术示意,不表示真实患者、已完成实验、现货规模或临床诊断结论。
模态与解剖范围决定标签边界
这类任务通常以左手腕标准正位为主体,但“检查名称”不能替代实际范围核验。交付前应从图像本身确认侧别、投照方向、手指和掌骨是否完整进入视野,腕骨以及尺桡骨远端是否可评价。旋转、遮挡、截断、严重曝光异常或缺失关键区域的影像应进入质量不合格或无法评价分支,而不是被迫归入正常或异常类别。
在模型输入层面,原始影像与处理图应分别保留。处理可能改变对比度、锐化、裁剪或缩放,若处理参数没有记录,跨设备比较时就无法判断差异来自生物学、采集条件还是预处理。对于展示图、报告截图、胶片翻拍和社交软件压缩图,不能用它们替代约定的原始数字影像;若研究必须使用非原始对象,应把限制、转换方式和可复现条件写进数据卡。
对X光图像的质量判断也不应等同于模型置信度。一个模型可能对旋转或遮挡图像给出很确定的数字,但这种确定性不等于临床可评价性。工程上可设置“可读/部分可读/不可评价/待核验”状态,并把质量原因拆成方向、覆盖、曝光、运动、污染、压缩或文件损坏等字段。质量标签一方面用于剔除不适合训练的对象,另一方面也可形成独立的质量控制任务,避免把低质量样本从数据集中静默删除而失去偏差线索。
标签要记录方法、证据和不确定性
骨龄标签至少应包含方法名称、版本、单位、读片主体或算法来源、读片日期以及原始文本。若同一病例同时存在GP和TW结果,应作为两个有来源的标签保留,而不是合并成一个“最终骨龄”。如果项目只要求一种方法,其他方法也不应在清洗阶段被自动换算;方法之间的转换应由研究方案或临床专家明确。
报告级标签可围绕四类情况组织:骨龄与实足年龄在所用方法允许范围内相符、骨龄提前、骨龄延迟,以及质量不合格或无法评价。提前和延迟的阈值应引用原始报告或预先冻结的任务定义,不由数据工程师自行设定。报告中出现“疑似”“考虑”“不能除外”“治疗后改变”等表达时,需保留不确定性和证据来源,不能为了提高阳性率把它们改成明确确诊。正常年龄参考同样重要,因为只有异常病例,模型很容易学到就诊选择偏差而不是骨骼成熟规律。
报告字段建议同时保留检查名称、检查所见、结论或印象、主要诊断、细分标签、否定语义和不确定语义。结构化标签可以便于训练,但不能覆盖原文。对“未做”“未知”“未记录”“阴性”“无法评价”应使用不同编码,以免把缺失误当作否定。若数据集中还有身高、体重、青春期或内分泌背景,也要记录其观测时间和来源,避免把后来获得的信息倒灌到影像检查时点。
专家标注需要先做小批量试标。标注指南应说明可评价解剖范围、骨龄方法、性别和实足年龄字段、分歧处理以及质量排除条件。正式标注可由至少两名具有相应经验的读片者独立完成,保留原始判断;分歧时由预先指定的更高层级专家仲裁,并记录仲裁依据。多读片者的共识不是天然的真值,仍应说明读片者构成、盲法、参考图谱或评分规则、形成日期和版本。
从全局影像到方法感知的算法路线
算法路线应从标签和交付对象反推,而不是先选一个网络名称再让数据迁就模型。骨龄评估既需要全手部的整体成熟度,也可能依赖腕骨、掌骨、指骨和骨化中心的局部形态。近年的公开研究普遍探索全局特征与局部区域、关键点或注意力机制的组合;一项2024年研究在多个数据集和独立外部人群上评估了全局与局部视觉信息、性别及族群信息的组合,但同时观察到外部队列中的年龄相关偏差1。2026年的双流网络研究也把全局特征与局部骨骼细节分开建模,再进行融合8。这些研究提示的是可验证的模型设计方向,不是任何数据服务方的现货模型或临床性能承诺。
在实际研发中,可以把算法拆成四层。第一层是输入门控:检查DICOM是否可读、是否满足侧别和投照要求、是否存在严重裁剪或像素内文字。第二层是解剖定位:通过手部检测、关键点或感兴趣区域得到骨骼结构,但定位结果应保留模型版本和失败状态。第三层是任务头:根据任务选择回归骨龄、预测有序年龄分布、生成TW子评分,或输出骨龄提前/延迟/不可评价等报告级类别。第四层是校准与解释:输出误差范围、质量状态、适用人群和必要的人工复核入口,而不是只给一个看似精确的数字。
如果把实足年龄、性别或其他临床字段作为输入,必须明确它们是否在真实使用时可获得,以及模型是否会因人群构成而产生代理偏差。将性别、地区、族群或社会因素纳入模型并不自动消除偏差,反而要求在数据字典、伦理审查和亚组报告中解释其必要性。模型应与任务定义一致:如果最终研究目标是骨龄差,训练标签就不能把日历年龄本身伪装成骨龄;如果目标是GP骨龄,TW评分不应在没有说明的情况下替代参考标准。
训练切分不能替代外部验证
骨龄研究最需要避免的泄漏,是同一儿童的多次检查、同一Study的不同导出或同一来源的近重复图像被拆到不同分组。划分应在患者级或预先定义的研究单位级冻结,并将派生对象、报告和纵向随访一并归组。随机按文件切分可能让模型记住患者、设备或处理流程,结果看起来更好,却不能代表新患者或新中心。RSNA儿童骨龄挑战所采用的多专家标注数据和公开的训练、验证资源,也说明数据来源、标注和使用边界应随数据集一并说明5。
内部测试集仍有价值,可以检查开发过程是否稳定;但它不能替代独立外部队列。2022年的真实世界外部验证研究显示,即使软件与读片者之间相关性较高,不同参考者、年龄段和临床环境仍可能出现偏差,作者也强调外部验证是评估深度学习影像软件的重要步骤2。2024年的多中心研究把训练、内部测试和独立外部测试分开,并在讨论中明确指出随机切分和外部人群覆盖有限会影响推广解释1。另一项针对中国生长发育异常儿童的研究使用多中心开发数据和另一医疗中心的连续病例进行测试,报告同时给出误差、一致性区间和困难亚组,而不是只给一个总准确率4。
外部验证应在揭盲前冻结纳排标准、标签字典、参考标准形成方式和模型版本。评价至少要包括绝对误差或平均绝对差异、误差方向、Bland–Altman一致性区间以及按年龄、性别、中心、设备、协议和质量档的分层表现。指标的选择要与任务相配:骨龄回归不能只报告分类准确率,报告级状态也不能只用均方误差替代临床语义。对小亚组,应报告样本量和不确定性,避免用极少数病例做过度结论。
人口适配尤其不能被“数据量大”掩盖。2025年的一项人群特异性校准研究在独立测试集上发现,未经校准的开源模型在目标人群存在系统性高估,使用一部分带有本地专家参考的样本进行性别分层校准后,误差和偏差方向发生变化3。这并不意味着所有项目都应该直接校准,而是说明目标人群、专家参考、校准样本和独立测试必须被分别记录。校准后的模型也需要新的外部验证,研究结果不能直接变成临床效果或监管批准。
图2|骨龄AI独立验证与偏差分析。技术示意,不表示真实患者、实验结果或任何模型在特定人群中的临床性能。
验收应围绕证据链,而不是围绕一个数量
对数据采购或研究交付而言,验收的核心不是把所有要求压缩成一个“合格率”,而是把阻断性缺陷、可整改缺陷和研究限制分开。阻断性缺陷包括患者或Study错配、原始对象无法读取、直接身份信息泄漏、授权范围无法核验、静默替换文件或重复导出被当作新病例。可整改缺陷包括字段缺失、方法版本未填、报告未稳定关联、设备信息未知、质量状态未判定。研究限制则包括某一年龄段样本不足、外部中心覆盖有限、某类临床背景不可得或某种方法不能统一。
一个可复核的批次交付至少应包含逐例索引、字段字典、原始与派生文件清单、Study/Series/Instance层级、报告关联表、标签与证据来源、质量与处置状态、分布统计、重复与污染检查、问题清单、整改复验和版本记录。每批统计都应能从逐例索引重新计算,且明确送检、通过、整改、剔除和累计的差异。对于跨模态数据,生长曲线、内分泌检验和随访只能在来源系统支持稳定关联时建立患者级或检查级关系,不能把“有关联”夸大为像素级或病理确证标注。
独立抽检应避免与常规交付样本和患者重复,并在中心、设备、年龄、性别、方法和质量档之间分层。采购方或研究方指定的医生可以直接阅片,检查影像范围、报告语义、标签方法和质量状态是否一致。发现错配后,不应只替换一行表格;需要重新检查同一关联键下的所有派生对象、版本和统计结果。这样做的目的不是增加流程负担,而是让问题能够定位到来源、转换、标注、质检还是交付环节。
质量档也应先写成可核验的递进条件,而不是营销等级。项目可按任务需要设置五档:L1为可读取的原始影像与基础正式报告;L2增加结构化报告、设备与协议、人群元数据和核心标签;L3增加有来源的详细所见、主要诊断、主诉与病史;L4增加完整序列、视图、期相或纵向检查关联;L5再扩展到HIS/EHR、病理、检验、治疗等跨模态关系。每个Study应按最终实际满足的一档统计和验收,不跨档重复;未做、未知、不可得或质量不足的内容必须如实保留,不应为满足数量或档次诱导额外检查、补造报告、升级诊断,或从其他患者拼接信息。
DICOM去标识化也需要被放在这条证据链中。DICOM保密配置文件明确指出,属性去标识并不保证整个信息对象已经去标识化,仍需结合使用场景、接收方、法规、重识别风险、像素内文字和私有属性进行评估;相关Study、Series、Instance和引用对象的替换值还要保持一致性7。因此,公开数据或研究数据交付不能只写“已脱敏”,还要说明工具和版本、字段处理、像素检查、UID重映射、日期处理、权限边界和审计记录。去标识化证明的是处理过程与风险控制,不是授权合法性或临床标签正确性。
业务逻辑:先定义任务,再选择数据服务形态
对于医疗AI研发团队,骨龄数据的价值在于能否把研究问题转成可执行的样例、试标和验收路径。项目启动阶段应先冻结任务卡:输入模态、解剖范围、目标标签、方法版本、纵向关系、质量档、训练与评测用途、是否允许数据出域,以及需要独立验证的亚组。随后用一小批合法授权样例验证字段、图像读取、报告配对和标注导出,再决定扩大规模或调整任务定义。
对于数据服务方,能力边界应表述为可核验的项目化支持,而不是把需求书写成既有库存或已完成临床成果。可支持的工作可以包括数据字典梳理、采集与入库规则、专业标注组织、质检记录、版本化交付和研究样例评估;具体模态覆盖、专家配置、数据范围、周期和交付状态仍需依据项目书面确认。任何公开页面的规模或服务自述,都不能替代授权文件、样例结果、数据卡和独立验收。
当任务进入模型研发阶段,数据团队、临床专家、算法工程师和合规人员应共享同一版本号。模型输入的字段、标签生成日期、质量排除规则、训练/验证/测试分组、外部队列来源和已知失败模式都应进入项目记录。版本更新不能静默覆盖已交付文件;新增、更正、撤回或重新脱敏都应形成新版本或差分包,并评估其对训练数据、独立测试集和已生成模型的影响。
结语:可复核性是骨龄AI的第一道质量门
骨龄片AI的研发价值不只来自更复杂的网络,也来自更清楚的数据对象。一次Study如何计数,原始DICOM与处理图如何区分,左手腕范围是否完整,GP与TW标签如何带着版本保存,疑似与无法评价如何不被强行归类,报告与检查如何稳定关联,以及外部验证如何避开患者级泄漏,这些决定了模型结论能否被解释和复现。
当数据被组织成带有来源、方法、质量、版本和不确定性的证据链,算法团队才有机会比较不同路线,临床专家才有机会发现标签偏差,采购方才有机会按逐例证据验收,项目管理者也才能判断某次改版究竟改变了哪些对象。对骨龄这类看似单一、实际受人群、设备、方法和读片经验影响显著的任务而言,把“可交付”进一步做成“可核验、可外推边界清楚”,比单纯追求一个更大的样本数更接近高质量医疗AI研发的起点。
参考来源
- An artificial intelligence-based bone age assessment model for Han and Tibetan children
- External validation of deep learning-based bone-age software: a preliminary study with real world data
- Population-specific calibration and validation of an open-source bone age AI
- Artificial intelligence system for bone age assessment in Chinese children with abnormal growth and development
- RSNA Pediatric Bone Age Challenge (2017)
- DICOM PS3.3 2026d: Digital X-Ray Image IOD
- DICOM PS3.15 2026d: Security and System Management Profiles
- A two-stream network with global-local feature fusion for bone age assessment

