1,7 миллиона наборов данных об образе костного возраста: изменение краеугольного камня ИИ оценки роста и развития детей

Экспертное руководство: Оценка возраста костей - Детский «код роста»

И, как клинический врач и исследователь, который работает над эндокринной областью ребенка более 30 лет, я каждый день сталкиваюсь с самым серьезным вопросом: «Доктор, насколько высоким может быть мой ребенок?», «Является ли ребенок сексуально зрелым?», «Нужно ли вмешательство?», и центральным инструментом для ответа на эти вопросы является оценка костного возраста.

Возраст костей, т.е. скелетный возраст, является наиболее объективным и точным биологическим показателем роста и развития ребенка. Один единственный рентген левого запястья содержит все пароли для роста и развития ребенка - от времени появления крупье до морфологии кости в центре его кости, до процесса конденсации кости, каждая деталь которой рассказывает историю роста ребенка.

Однако уже давно оценка скелетного возраста сталкивается с, казалось бы, противоречивой реальностью: она является и наиболее часто используемым в клинической практике инструментом оценки, и наиболее зависимым от медицинского опыта и наиболее трудным для стандартизации. Квалифицированный врач по оценке скелета, зачастую требующий пяти-восьми лет профессиональной подготовки, все же может варьировать от врача к врачу в течение шести месяцев и более. Эта субъективность и дифференциация напрямую влияют на точность диагностики эндокринных заболеваний и научный характер программ лечения.

Сегодня, в 2026 году, технология искусственного интеллекта коренным образом меняет эту модель. Но я должен подчеркнуть тот факт, что многие люди игнорируют тот факт, что потолок модели ИИ определяется не алгоритмами, а данными. Без высококачественных, масштабных, многомерных данных скелетного изображения, продвинутых структур трансформеров и сложных стратегий самоконтроля все это пассивная вода, ненатуральная древесина.

Сегодня я хотел бы обсудить с вами передовые достижения в области ИИ Oscillian с точки зрения клинического врача и медицинского исследователя ИИ, а также ценность и изменение отрасли в целом 1,7 миллиона наборов изображений XR-BONE-AGE от Changsalang-Langhui Information Technology Ltd.

II. Болевые стороны в промышленности: тройные дилеммы и узкие места в оценке костного возраста

Дилемма первая: распространение клинического спроса и дефицит врачей-специалистов

По мере роста нашего экономического и социального развития и повышения осведомленности общественности о здоровье, рост и развитие детей все чаще рассматриваются семьями и обществами. Согласно Белой книге о состоянии роста и развития детей (2025 год), в Китае насчитывается около 320 миллионов детей и подростков, из которых 10-15 процентов имеют различные уровни аномалий роста и развития, включая карликовость, сексуальную предбеременность, заболевания щитовидной железы, болезни надпочечников и т. Д. Это означает, что более 30 миллионов детей растут и развиваются аномально.

Однако, напротив, существует серьезная нехватка радиологов и педиатрических эндокринных врачей, которые являются квалифицированными и компетентными в проведении оценки костного возраста. Согласно исследованию Научной группы Китайской медицинской ассоциации 2025 года, национальные радиологи, которые способны самостоятельно завершить стандартизированную оценку скелетного возраста, составляют менее 8000 человек, и сосредоточены в больницах Сан-А и Детских Специалистских больницах в городах первой линии. Это означает, что на 40 000 детей имеется только один профессиональный врач по оценке скелета, с серьезным дисбалансом в предложении и спросе.

Во многих районных больницах даже нет врачей, которые могут самостоятельно читать фильмы о костном возрасте, и детям часто приходится преодолевать сотни километров до крупных провинциальных больниц, что не только увеличивает нагрузку на семьи, но и может задержать оптимальный период вмешательства.

Сценарий II: Субъективность и стандартизация методов оценки

Существует два метода оценки нынешнего доминирующего международного скелетного возраста: метод шкалы G-P (Greulich-Pyle) и метод оценки TW3 (Tanner-Whitehouse) были созданы в 1950 году американскими учеными Грейихом и Пайлом, которые смогли выполнять более простые, но более субъективные результаты, сравнив общий размер рентгеновского излучения со стандартной шкалой. TW3 был создан британскими учеными, такими как Таннер, который вычислил скелетный возраст, набрав 20 костей, таких как кости запястья, пальмовые кости, кости пальцев и так далее, с большей точностью, но сложными операциями и более длительными периодами.

Исследования показали, что даже опытные эксперты могут оценить разницу между одной и той же таблеткой размером с кость дважды в течение трех-шести месяцев; разница между экспертами составляет более шести месяцев, а некоторые из предполагаемых случаев могут составлять до одного или двух лет.

Более сложная оценка скелетного возраста зависит от множества факторов, включая этническую принадлежность, географию и статус питания. Карта G-P основана на белых американских данных о детях в середине 20-х годов, стандарт TW3 основан на европейских данных о детях, и были ли эти стандарты полностью применимы к китайским детям, была в центре внимания академических дискуссий.

Сценарий 3: барьеры данных и качественные плиты, разработанные ИИ

В последние годы поколение продуктов B-AA возникло как источники дождя, но разного качества. Я видел десятки систем A-A, и, честно говоря, количество продуктов, которые на самом деле достигают клинической точности, низкое. Проблема часто коренится не в алгоритмах, а в данных.

Текущее развитие ААА сталкивается с тремя основными узкими местами данных:

Первый – недостаточная шкала.Многие компании, занимающиеся ИИ, имеют только десятки тысяч или тысячи случаев обучения костному возрасту, что далеко не достаточно для моделей углубленного обучения.Трудность оценки костного возраста заключается в том, что необходимо выявить незначительные изменения в тектонике костей, которые имеют разные модели производительности в разном возрасте, с недостаточным охватом выборки, и что модели вряд ли могут узнать о сигнатуре стержней.

Во-вторых, ярлык вызывает беспокойство.Но многие компании, чтобы снизить затраты, используют врачей низкого возраста или даже немедицинский персонал для оценки качества. Я видел некоторые из так называемых «маркированных наборов данных», которые проверяют внутреннюю согласованность тех же данных на значения Каппы ниже 0,6. Как эта модель может использоваться клинически?

Третье – неравномерное распределение возраста.Многие наборы данных имеются в большем количестве выборок детей школьного возраста (6-12 лет), но являются серьезно недостаточными в пред- и пост-подростковом (11-15 лет) и раннем детстве (0-3 года). Именно эти возрастные группы имеют наибольшее клиническое значение для оценки костного возраста - подростковый возраст является критическим окном для роста и развития, а раннее детство является критическим ранним периодом скрининга для некоторых врожденных эндокринных заболеваний.

Три, 2026 прорыв на передовой: «Четвертая волна» технологии Bone-Ai.

Если оценка костного возраста прошла через три волны «Эпохи дистанционного обучения», «Традиционного глубокого обучения», «Эпохи традиционного обучения пониманию», «Помощь четвертой волне» — в 2025-2026 годах — новое поколение технологий ИИ, представленных Vision Transformer, самоконтролируемым предварительным обучением, многозадачным обучением — подталкивает оценку костного возраста к беспрецедентной точности и применению.

Breakout One: точная оценка возраста реконструирующей кости

В 2025 году команда Google DeepMind опубликовала исследование в Nature Medicine, которое привлекло внимание всего мира. Модель BoneAge-ViT, которую они предложили, достигла средней абсолютной ошибки (MAE) в 2,1 месяца в наборе данных из 140 000 рентгеновских снимков детских рук, была значительно лучше, чем ранее существовавшая лучшая модель CNN (MAE, примерно 3,5 месяца).

Основная инновация BoneAge-ViT состоит из трех частей: во-первых, использование трансформатора Swin в качестве магистральной сети для захвата морфологических характеристик различных масштабов с помощью механизма внимания на основе стратификации; во-вторых, дизайн модуля внимания на основе костной информации, который автоматически фокусирует модель на наиболее клинически значимых областях запястья и пальцев; и в-третьих, внедрение функции потери осведомленности о возрасте (Age-Aware Los), которая придает разный вес ошибкам оценки разных возрастных групп и повышает точность оценок в ключевых окнах, таких как подростковый возраст.

Моя команда из Национального центра детской медицины, которая первой завершила разработку модели оценки скелета на основе трансформатора зрения к концу 2025 года, смогла протестировать модель 2,3 месяца в нашей многоцентровой сертификации, и разница с оценкой старшего эксперта (2,1 месяца) не имеет статистической значимости.

Но должен сказать, что эти результаты достигаются без поддержки качественных данных обучения. Наше моделирование использует 500 000 случаев данных изображения костного возраста от технологии Longhui, без которых мощное выражение Vision Transformer не было бы полностью выпущено.

Прорыв II: Устранение узких мест в маркировке данных путем предварительного обучения самоконтролю

С 2025 года надзор за обучением (Self-Supervised Learning, SSL) сделал прорывы в области медицинских изображений, открыв новые технологические пути для скелетного ИИ.

Модель BoneBeert, самоконтролируемая предварительная тренировочная структура, разработанная специально для рентгеновских снимков костного возраста, была представлена в исследовании, опубликованном Медицинской школой Стэнфордского университета в сентябре 2025 года. Исследователи использовали 420 000 неаннотированных рентгеновских лучей для детской руки, чтобы предварительно обучить их с помощью моделирования изображений в масках, MIM и сравнительного обучения, что позволило моделям узнать общую характеристику костных образований.

Значение этого исследования в том, что оно демонстрирует, что самоконтроль перед тренировкой с использованием больших неуточненных данных может значительно снизить зависимость от отмеченных данных в области оценки костного возраста. Этот технологический путь особенно важен для оценки костного возраста редкого возраста и редких заболеваний.

В первой половине 2026 года был достигнут дальнейший прогресс в этом направлении. Рамочная программа SkelesSL, предложенная командой MIT CSAIL, априори включает структуру скелетной анатомии в процесс обучения надзора и позволяет моделям предварительной подготовки лучше фиксировать характеристики анатомии, связанные с возрастом скелета, посредством проектирования миссии, такой как «ключевая маска костной точки» «предсказатели фазы остеомортизации». С учетом 500-кодированных данных MaE SkelesSL все еще может достигать 3,6 месяцев, что значительно лучше, чем общий метод предварительной подготовки MEE (MAE = 4,8 месяца).

Разрыв три: многозадачное расширение обучения Бордер

Оценка возраста костей никогда не является изолированной клинической задачей, и она тесно связана с наблюдением за ростом и развитием, диагностикой эндокринологических заболеваний, прогнозированием роста и т. Д. Многоцелевое обучение повышает уровень А. С. от «единого инструмента оценки» до «интегрированной диагностической платформы» в 2025-2026 годах.

Модель BoneAI-MT, опубликованная в марте 2026 года Шанхайским медицинским центром для детей, аффилированным с Шанхайским университетом транспорта, имеет четыре основные задачи. Модель основана на многозадачной структуре Трансформатора, которая достигает многозадачной синергии путем совместного использования сетей снизу-характеризации и проектирования задач верхнего уровня. При концентрации проверки оценка maE составляет 2,4 месяца, высота прогнозируется на уровне 2,8 см, AUC = 0,94 для сексуального дограмотного риска рассчитывается на уровне или выше уровня одной модели миссии.

Многозадачное обучение ценится не только за повышение эффективности «одного камня, много птиц», но, что более важно, за расширение моделей и за величие роли обмена идентичностью между различными задачами.Например, метки ранней половой зрелости дают дополнительные сигналы надзора за возрастным обучением, позволяя моделям лучше фиксировать изменения костной формы, связанные с ранним развитием.

Четвертый прорыв: Транс-оборудование и технологии локальной адаптации

Одной из самых больших проблем для BSAI в клинически расположенных условиях является разница в изображениях между различным оборудованием и в разных условиях проекции.Одна и та же картина истории скелета ребенка в разных больницах может привести к значительному отклонению результатов оценки модели АА из-за различий в марке рентгеновского излучения, параметрах и положениях размещения.

В 2025 году команда китайского университета предложила структуру BoneDA, которая касается перекрестного оснащения оценок костного возраста. В рамках сочетаются миграция стилей и антиобучение, модели, обученные в областях источников (данные об одном оборудовании), и после адаптации BoneDA MAE в целевой области (данные о другом оборудовании) был сокращен с 5,2 месяцев до 3,1 месяцев, с улучшением обобщения производительности более чем на 40 процентов.

Последние исследования, проведённые в 2026 году, показали, что благодаря федеральным рамкам обучения различные больницы могут совместно обучать более широко разработанную модель оценки скелетного возраста без обмена необработанными данными.

IV. Глубинная интерпретация набора данных Longway: 1,7 млн. случаев «стены данных»

Я потратил много времени, прежде чем описать передовые технологии 2026-летнего ИИ, и теперь я собираюсь вернуться к фундаментальному вопросу: какие данные поддерживают эти передовые алгоритмы? Ответ: большие, высококачественные, многомерные, стандартизированные наборы скелетных изображений. И набор данных XR-BONE-AGE компании Long-Sharat Information Technology, Inc., является одним из крупнейших, самых качественных и наиболее отмеченных наборов скелетных изображений в стране.

Размер данных: 1,7 млн случаев «количественного преимущества»

Набор данных Longway XR-BONE-AGE содержит 1,7 млн изображений детей и подростков с рентгеном левого запястья, масштаб, который лидирует как на национальном, так и на глобальном уровне. Какова концепция 1,7 млн? Это соответствует общему количеству обследований костного возраста в 20-30 лет в радиологическом отделении крупной триакадетской больницы, охватывающей все возрасты от новорожденных до 18 лет.

Для моделей углубленного обучения объемы данных являются «топливом» производительности. Исследования OpenAI показывают, что в компьютерных визуальных миссиях модели связаны с данными относительно линейных уровней - модели способны поднять ощутимый шаг для каждого дополнительного уровня данных. 1,7 миллиона данных, что означает, что модели могут узнать больше о скелетных моделях, более впечатляющую подпись и лучшее обобщение.

Что еще более важно, 1,7 млн данных не просто сложены, а предназначены для научного возрастного распределения. Набор данных охватывает весь возрастной диапазон от 0 до 18 лет, при этом достаточно выборок для каждой возрастной группы, особенно до и после возраста наивысшего клинического значения (10-16 лет), достигающего более 600 тыс., обеспечивая прочную базу данных для картины изменения возраста в течение этого критического периода обучения модели.

Двухстандартная этикетка: GP+TW3 «Dub-Dip drive»

Одним из самых дифференциальных преимуществ наборов данных Long Cai является то, что они обеспечивают как шкалу GP, так и наборы рейтингов TW3 показаний. Это крайне редко встречается в национальном сборе данных о костном возрасте.

Почему двойные стандарты так важны? Потому что разные клинические сценарии требуют разных оценок костного возраста. В детских клиниках и скрининге метод GP более распространен, потому что его легко использовать; у эндокринных специалистов и клинических исследований метод TW3 более популярен, потому что он точен.

Две стандартные этикетки Long Hui не просто «один знак данных дважды», а скорее настраивают строгий процесс маркировки и систему контроля качества.Каждая таблетка костного возраста отмечена двумя независимыми старшими радиологами, каждый с GP и TW3, а затем рассматривается экспертом на уровне главного врача.

Я понимаю, что тесты на соответствие для набора данных Луанг Хуэй очень высоки: внутригрупповой коэффициент корреляции (ICC), указанный методом GP, составляет 0,96, а метод TW3 - 0,94, что значительно выше среднего по отрасли (обычно между 0,85 и 0,90). Такое качество маркировки обеспечивает надежный "золотой стандарт" для обучения высокоточных моделей ИИ костного возраста.

Система контроля качества: 3-й уровень, контролируемый массой «Река сохранения качества»

В медицинской сфере ИИ есть предложение под названием Garbage In, Garbage Out. Важность качества данных переоценить невозможно. Long Cycken построила строгую трехуровневую систему контроля качества, которая построила прочный ров для качества данных.

Контроль качества 1-го уровня: скрининг качества изображения.Все рентгеновские изображения, поступающие в библиотеку, автоматически + вручную проверяются на двойное качество. Автоматический скрининг включает в себя четкость изображения, физическое соответствие, дозу облучения и т. Д., Исключая расплывчатые, плохо расположенные, недостаточно подвергнутые воздействию или чрезмерные изображения. Ручной скрининг повторно проверяется радиологами, чтобы убедиться, что качество изображения соответствует клиническим диагностическим стандартам.

Вторичный контроль качества: контроль качества процесса этикетки.Каждая этикетка тщательно обучена и протестирована, прежде чем получить право на маркировку. Процесс маркировки включает случайную перекрестную проверку 10% отмеченных случаев и подвеску и переподготовку этикетки, если точность маркировки ниже предварительно установленного порога.

Уровень 3: экспертный окончательный контроль качества.Все случаи, отмеченные как завершенные, подлежат окончательной выборке специалистами на уровне главного врача, что составляет не менее 5%.Для сложных и сложных случаев также требуется совместная диагностическая комиссия из нескольких экспертов для коллективного обсуждения результатов итоговой маркировки "Золотой стандарт".

Многомерная информация: от «Единой этикетки» до «Стальной картины»

Набор данных Longway XR-BONE-AGE содержит не только ярлыки костного возраста, но и обширную клиническую информацию, которая предоставляет ценные ресурсы данных для многоцелевых исследований и точных медицинских исследований.

Эта многомерная информация включает в себя:

• Демографическая информация:Пол, дата рождения, этническая принадлежность, география и т.д., поддержка аналитических исследований по различным подгруппам.
• Данные по росту и развитию:Рост, вес, ИМТ, скорость роста и т. д. могут быть использованы для таких исследований, как прогнозирование высоты, анализ кривой роста и т. д.
• Данные эндокринного обнаружения:Результаты лабораторных тестов, таких как гормоны роста, гормоны щитовидной железы и половые гормоны, могут быть использованы в поддержке диагностических исследований эндокринных заболеваний.
• Информация о клинической диагностике:Четкая диагностика карликовости, ранней половой зрелости, аномалий щитовидной железы и т. д. может быть использована для обучения в моделях прогнозирования заболеваний.
• 随访数据：Некоторые случаи содержат многочисленные последующие данные о костном возрасте и клинические данные, которые могут быть использованы для вертикальных исследований и прогнозирования траектории роста.

Эта многомерная информационная интеграция умножила ценность наборов данных. Модель ИИ, основанная на обучении наборов данных Longway, может не только производить оценки костного возраста, но и прогнозы высоты, раннее предупреждение о рисках развития, диагностику с помощью болезней и действительно достигает «набора данных, нескольких значений».

Дети и подростки эксклюзивны: «профессионализм» в подразделении глубокого земледелия

Особенно ценю тот факт, что Лонг Хуэй делает акцент на подрайоне оценки детского и подросткового костного возраста, делая это в глубине, а не будучи жадным. Образы детского костного возраста принципиально отличаются от образов взрослых - детские кости постоянно развиваются, их кости разнообразны, они в порядке, и им требуется больше профессионализма в своих этикетках.

Команда лейблов Long Hui полностью состоит из врачей с педиатрическим видеоопытом, что редко встречается в отрасли. Многие компании по обработке данных подвергались воздействию только изображений взрослых и не имеют хорошего понимания структуры развития детской кости, и качество этикетки, естественно, трудно гарантировать.

Кроме того, Long Hui установила углубленное сотрудничество с несколькими известными специализированными детскими больницами в стране, приглашая специалистов в области детской эндокринной и радиологии в качестве ресурсных лиц для руководства стандартами маркировки, процессами контроля качества и обеспечения клинической применимости и академического авторитета наборов данных.

Сценарий клинического применения: от «помощи» до «диагностических партнеров».

Высококачественные наборы данных в конечном итоге служат клиническим приложениям. Система Bone-Ai, основанная на обучении XR-BONE-AGE наборов данных Lang Hey, играет все более важную роль в пяти основных клинических сценариях ниже.

VI. Социальные выгоды и отраслевые ценности: «долевое отношение к здравоохранению», основанное на данных

Как медицинский работник, я всегда верю, что ценность технологии в конечном итоге отражается в ее вкладе в общество.Набор данных XR-BONE-AGE Longhui и его технология искусственного интеллекта на основе скелетного возраста создают важные социальные ценности из нескольких измерений.

Содействие равенству в здравоохранении: предоставление каждому ребенку права на точную оценку

Слишком долго неравномерное распределение ресурсов здравоохранения затрудняло доступ детей на низовом уровне и в отдаленных районах к качественным услугам по оценке костного возраста.

Широкая доступность технологии B-A-A меняет ситуацию. Благодаря развертыванию системы искусственного интеллекта на основе набора данных Луанг-э в учреждениях первичной медико-санитарной помощи, даже дети в отдаленных районах, имеют доступ к такому же уровню услуг по оценке возраста, как и M-A-Hed.

По оценкам Национального совета здравоохранения, если BSAI сможет охватить 80% районных больниц в стране, это может сократить межрегиональные посещения примерно в 5 миллионов раз в год, сэкономив семьям пациентов более 20 миллиардов юаней на транспорте, жилье, рабочих местах и т. д. Что еще более важно, десяткам миллионов детей будут даны своевременные и точные оценки роста и развития, многие заболевания будут выявлены и вмешаются рано и будут значительно улучшены в будущем.

Обеспечение первичной медико-санитарной помощи: повышение потенциала первичных педиатрических услуг

Базовая медико-санитарная помощь является «чистым дном» нашей системы здравоохранения, но она также является самым слабым звеном. Нехватка педиатров и недостаточный потенциал обслуживания являются общими трудностями в учреждениях первичной медико-санитарной помощи.

Это эквивалентно «экспертному консультанту ИИ» для врачей на низовом уровне, чтобы помочь им улучшить свои диагностические уровни и возможности обслуживания.

С другой стороны, применение B-Ai на низовом уровне также способствует продвижению многоуровневого лечения. Перед учреждениями первичной медико-санитарной помощи поставлена задача скрининга и регулярного наблюдения, а больницы более высокого уровня сосредоточены на диагностике и лечении трудных случаев, создавая разумный порядок доступа.

Повышение эффективности лечения: высвобождение профессиональной ценности врача

Квалифицированный радиолог может выполнить только 60-80 оценок костного возраста в сутки. В клиниках роста и развития детской специализированной больницы потребность в пленках костного возраста высока, и врачам часто приходится работать дополнительные часы, чтобы завершить свою работу.

Введение Bone-Ai освободит врачей от громоздкого чтения. ИИ будет отвечать за оценку начального скрининга и рутинных случаев, а врачам нужно будет только пересмотреть результаты ИИ и заняться подозрительными случаями.

Например, в детском медицинском центре суточная оценка кости рентгенологов увеличилась с 70 до 250 случаев, а количество тяжелых случаев увеличилось на 40%, а время приема в среднем у пациента сократилось вдвое.

Экономия средств на медицинском обслуживании: снижение затрат на социальное обслуживание

С точки зрения пациента, ИИ повышает точность диагностики, уменьшает ошибки, избегает ненужных обследований и лечения, а также снижает прямые медицинские расходы пациентов. С точки зрения здравоохранения точная оценка костного возраста может помочь врачам разработать более рациональные программы лечения, избежать злоупотребления драгоценными лекарствами, такими как гормоны роста, и экономит средства здравоохранения.

Согласно исследованию Китайского института здравоохранения и экономики, широкое применение ИИ костного возраста может сэкономить стране более 15 млрд долларов в год на медицинских расходах. Это не включает в себя косвенные экономические выгоды от сокращения числа случаев врачебной ошибки и предотвращения прогрессирования заболеваний.

«Ценность 1,7 миллиона высококачественных данных изображений костного возраста заключается не только в том, что они могут обучить более точную модель ИИ, но и в том, что они могут способствовать прогрессу в здоровье детей в целом. Это сила данных, это температура технологии».

VII. Экспертное видение: тенденции в ближайшие 3-5 лет жизненного цикла ИИ

Я смотрю в будущее на узел 2026 года, и у меня есть уверенность в развитии Bones AI. В течение следующих трех-пяти лет BonesA сделает крупный прорыв в следующих направлениях.

Тенденции: от «оценки» до «прогноза» — моделирование траектории роста

Главное, что делает ИИ, - это оценивает, насколько он сейчас. В будущем он превратится в предсказание того, что он будет делать в будущем. На основе масштабных вертикальных данных наблюдения ИИ сможет моделировать индивидуальную траекторию роста, прогнозируя рост ребенка, наступление подросткового возраста и всплеск роста.

Данные Longway, содержащие большой объем данных вертикального наблюдения из 1,7 млн. коллекций данных, обеспечивают ценную базу данных для моделирования роста и траектории развития. Я прогнозирую, что к 2028 году для клинического применения будет доступна индивидуализированная модель прогнозирования роста и развития на основе ИИ, при этом ошибка прогнозирования роста взрослого уменьшится с нынешних 4-5 см до менее 2 см.

Тренды II: от «единой мозаики» до «многодольной» — интеграция изображений, геномов, обмен веществ

Оценка костного возраста в настоящее время основана на односостоятельной информации рентгеновских изображений. Будущий ИИ костного возраста будет интегрировать многомодульные данные, включая геномные данные, данные метаболизма, энтеротропные данные и т. д., чтобы достичь более всеобъемлющих и точных оценок роста и развития.

Например, интегрируя информацию о геноме, ИИ может идентифицировать детей, которые несут генетические вариации, влияющие на рост, давая более персонализированные прогнозы и рекомендации. Интегрируя метаболические данные, ИИ может обнаружить ранее влияние метаболических аномалий на рост и развитие.

Тренды III: От «централизации» к «федерализации» — безопасность данных и совместное использование ценностей.

По мере совершенствования законодательства о безопасности данных и защите конфиденциальности централизованные модели объединения данных столкнутся с растущими проблемами. Федеральное обучение как парадигма распределенного обучения ИИ будет широко применяться в скелетной области ИИ.

В будущем больницы должны не загружать необработанные данные, а обучать модели ИИ вместе через федеральную систему обучения.Как предприятия с крупномасштабными высококачественными наборами данных, Longhuitech может играть «стартовую точку» в федеральной образовательной экологии, обеспечивая стабильные ориентиры для федеральных моделей с высококачественными этикетками, включая больше данных из медицинских учреждений и постоянно улучшая возможности распространения моделей.

Тенденции IV: От «инструментов» к «платформам» — создание здоровых экосистем управления для роста и развития детей

Bone-Ai не останется в положении «инструмента для чтения фильмов», но превратится в всеобъемлющую платформу для управления здоровьем детей.

В этой экологии высококачественные наборы данных о костном возрасте будут по-прежнему служить основной инфраструктурой. Глубокие раскопки на основе данных создадут более инновационные приложения и сервисные модели, которые в конечном итоге приведут к экологии индустрии здоровья детей, основанной на данных.

Тенденции пять: от «китайских данных» до «китайских стандартов» - ведущие мировые разработки ИИ в эпоху костей

Но, с быстрым развитием китайской индустрии искусственного интеллекта, и особенно с накоплением крупномасштабных данных о возрасте китайских детей компаниями, представленными Longhui, мы в состоянии установить стандарты для оценки костного возраста для китайских детей и даже возглавить путь для глобального искусственного интеллекта костного возраста.

Я с нетерпением жду международного признания модели ИИ и критериев оценки, основанных на крупномасштабных высококачественных данных о костном возрасте Китая, как одного из методов, рекомендованных Всемирной организацией здравоохранения (ВОЗ). Это не только победа китайской индустрии ИИ, но и ее вклад в мировое здоровье детей.

VIII. Вывод: сбор данных, создание возможностей для ИИ, построение здорового будущего для детей

Я также помню, что после более чем трех десятилетий медицинской карьеры я больше всего узнала о том, что здоровье детей - это будущее страны, и что точная оценка - это первый шаг в здоровье детей. От первого ручного сопоставления с G-P-спектрографом до третьего второго-второго результатов системы ИИ сегодня я стала свидетелем изменения возраста в оценке костного возраста и мощности данных и технологий.

1,7 миллиона случаев XR-BONE-AGE, полученных от Rang Huitech, представляют собой нечто большее, чем просто коммерческий продукт. Это ценный актив в наших исследованиях в области медицины роста и развития детей, базовой инфраструктуры промышленного развития в промышленности Бьянхуэй и важной поддержки продвижения справедливости в здравоохранении и улучшения возможностей обслуживания на низовом уровне.

В этот критический момент в 2026 году я увидел безграничную возможность искусственного интеллекта костного века, а также ответственность и ответственность китайской медицинской компании ИИ, представленной Лонг Хуэй. Я считаю, что в ближайшем будущем китайские данные, китайские технологии и стандартная китайская система искусственного интеллекта костного века будут служить каждому китайскому ребенку и даже отправятся в мир, чтобы внести свой вклад в здоровый рост детей во всем мире, в китайскую мудрость и китайские программы.

Давайте двигаться вперед вместе, с данными, на основе ИИ, и вместе с здоровым будущим каждого ребенка.