骨龄评估是儿科放射学的一个重要研究课题。传统的骨龄评定方法要求放射科或者内分泌科医生对少儿非优势侧手腕部X线图像进行人工判读，这种评定方法存在判读过程耗时长、结果不稳定等问题。因此，亟须一种自动评估骨龄的方法来辅助临床诊断。近年来，随着计算机技术和人工智能算法的空前发展，各种骨龄相关计算机人工智能辅助评估系统的研究进展迅速。本文对以往具有代表性的基于人工智能的骨龄自动评估系统研究与发展进行了综述，希望能为骨龄自动评估技术的发展提供新的思路。

骨龄能够客观反映人体生长情况，准确评估体格发育水平，骨龄评估在儿童青少年的生长发育、疾病诊断、临床治疗效果监测中发挥重要作用。近年来人工智能技术不断发展，将人工智能技术应用于骨龄评估领域，有望实现骨龄评估自动化，目前骨龄评估的人工智能技术主要基于深度学习(DL)算法进行，虽已有较多关于DL与骨龄评估的研究，但大部分仍处于实验阶段。现就目前应用于骨龄评估的基于DL的人工智能技术的研究与进展进行综述，以期为相关工作人员提供参考及研究思路。

上颌快速扩弓是解决上颌横向发育不足的常用方法，腭中缝是上颌扩弓过程中产生阻力的关键区域之一，扩弓的时机、疗效以及扩弓装置的选用与腭中缝状态息息相关。目前，临床上评估腭中缝状态的方法较多，包括年龄、骨龄、上颌前部 片、CT与超声等。本文回顾现有文献中对腭中缝状态评估所采用的方法及其临床应用，以为正畸医师的临床决策提供参考。

骨成熟是指从骨化中心的出现到骨骺和干骺端形状的改变和增大直至骨骺融合的过程。通常以骨龄来衡量骨发育成熟的程度，反映儿童生长发育的水平。骨成熟的过程受到多种因素的影响，主要包括内分泌因素(雌激素、肾上腺激素、生长激素和甲状腺激素)与非内分泌因素(营养、慢性疾病、环境/饮食和遗传等)。目前尚未对其建立科学的评价体系，部分影响因素(如胰岛素样生长因子-1、瘦素、性激素结合球蛋白、胰岛素等)的作用仍结论不一。故该文就骨成熟影响因素的研究进展作一简要综述，为儿童生长发育评估、疾病诊断和治疗效果评价、个体化方案制定提供依据，也为进一步研究提供参考。

目的:利用锥形束CT比较不同颈椎骨龄(cervical vertebral maturation，CVM)分期个体腭中缝骨密度比率(midpalatal suture density ratio, MPSDr)的差异，分析CVM与MPSDr的相关性，以检验MPSDr与个体生长发育的相关性，为临床中利用MPSDr评估患者腭中缝成熟度提供依据。方法:回顾性研究228例不同CVM分期患者的锥形束CT资料，男女比例1∶1，年龄7~25岁。依据CVM分组，每组选取38例受试者，参照Grünheid的方法计算每位受试者的MPSDr。采用单因素方差分析(ANOVA)和LSD法比较相同性别中各组MPSDr的差异，同时运用独立样本 t检验比较同一组内不同性别的MPSDr有无差异。最后运用Spearman相关系数检验CVM与MPSDr间的相关性。 结果:女性CVM 1期至CVM 6期的MPSDr值分别为：0.35±0.08、0.41±0.08、0.46±0.08、0.53±0.07、0.63±0.08、0.76±0.10，其中除CVM 1期与2期、2期与3期外，其余各CVM组间的MPSDr均有统计学差异， P值均<0.01；男性CVM 1期至CVM 6期的MPSDr值分别为：0.33±0.05、0.38±0.05、0.45±0.09、0.54±0.06、0.60±0.07、0.72±0.09，其中除CVM 1期与2期外，其余各CVM组间的MPSDr均有统计学差异， P值均<0.01。在相同CVM分期中，不同性别的MPSDr无统计学差异， P值均>0.05。CVM与MPSDr的Spearman相关系数为0.851( P<0.001)。 结论:CVM与MPSDr存在显著的强相关性，MPSDr值与个体生长发育显著相关。CVM相同时，性别对MPSDr无影响。

目的:探讨经骺板自体半腱肌、股薄肌肌腱重建前十字韧带治疗青少年前十字韧带损伤的安全性及临床疗效。方法:回顾2015年5月至2020年5月10例手术治疗的青少年前十字韧带损伤患者资料，男6例，年龄（14.2±1.4）岁（范围13~15岁），骨龄13~15岁；女4例，年龄（12.4±1.2）岁（范围11~13岁），骨龄11~13岁。病程（8.3±5.3）个月（范围3~48个月）。术前行左手及腕部X线片评估骨龄，术前及随访行双下肢全长X线片评估双下肢长度及力线，前抽屉试验、Lachman试验、KT-1000评估关节松弛度，Lysholm膝关节评分和Tegner膝关节运动评分评估膝关节功能。术中关节镜检查前十字韧带、内外侧半月板及关节软骨损伤状况。关节镜下行经股骨远端及胫骨近端双侧骺板单束前十字韧带重建术，移植物使用自体腘绳肌肌腱。术后佩带长腿伸膝位支具，术后1个月拆除支具，开始主动活动锻炼。手术前后的Lysholm膝关节评分和Tegner膝关节运动评分的比较采用 t检验。 结果:10例关节镜检查提示前十字韧带均为完全断裂,合并内侧半月板损伤1例、外侧半月板损伤1例、内外侧半月板同时损伤1例。10例均获得随访，随访时间（3.2±2.3）年（范围2~5年）。1例术后1年出现韧带再损伤，前抽屉试验和Lachman试验阳性，余9例末次随访时Lysholm膝关节评分从术前（76.1±8.2）分提高至（95.8±3.5）分，与术前比较差异有统计学意义（ t=6.43， P=0.024），Tegner膝关节运动评分从术前（4.3±0.9）分提高至（8.3±0.6）分，与术前比较差异有统计学意义（ t=4.41， P=0.033）。9例中有1例前抽屉试验和Lachman试验弱阳性，KT-1000侧侧差值>3 mm，余8例前抽屉试验和Lachman试验均为阴性，KT-1000侧侧差值为（1.7±0.7）mm。10例关节活动度与健侧相比受限均<5°。站立位下肢全长X线片示双下肢未出现长度及角度畸形。 结论:对青少年（男骨龄≥13岁；女骨龄≥11岁）前十字韧带损伤患者采用股骨远端及胫骨近端双侧经骺板自体腘绳肌肌腱重建前十字韧带是一种安全有效的治疗方式。

骨龄是骨骼发育规律的量化表示，临床常用左手腕X线片G-P图谱法评估骨龄。在青春期阶段手腕部骨骼已发育成熟，G-P图谱法应用于青春期儿童存在敏感性及特异性不足的问题。而膝关节部位骨骺形态变化贯穿整个青春期，可为青春期儿童骨龄评估提供信息，并且膝关节骨龄评估的可行性已经得到验证。随着人工智能(artificial intelligence，AI)在医学领域的应用，AI判读骨龄的精准性也被认可。青春期儿童骨龄评估的重要用途之一是用于预测剩余生长潜力。基于膝关节影像，探索利用AI建立剩余生长潜力预测模型是对临床更有意义的研究方向。该文将对膝关节解剖特点、膝关节影像学在骨龄判读中的应用及AI在骨龄判读中的研究进展进行综述。

人工智能(artificial intelligence，AI)是近年发展最快的科学之一，其在医学领域的发展带来了全新的概念，也对传统医学带来了巨大的冲击，是借势而为还是静观其变是对各学科和医学人的考验。AI在医学影像等领域已经取得了令人瞩目的效果。目前，AI在内分泌代谢领域的应用研发也日趋广泛，包括在糖尿病及其并发症的诊断和预测的应用，辅助治疗方案的选择和血糖管理，人工胰岛的开发与管理，在肥胖分类诊疗的探索，在减重手术的疗效和并发症预测的探索；在骨质疏松和骨折风险的预测，骨龄分析；脂肪肝的无创评估及纤维化预测；肢端肥大症的诊断；甲状腺和垂体肿瘤分子生物学与病理的智能诊断等。AI在临床上的应用仍处于初期和探索阶段，相信在不久的将来，随着AI技术的快速发展和临床认可，AI会在内分泌代谢领域发挥举足轻重的作用。面对AI时代的来临，对医学领域来讲是一场脱胎换骨的变革。在新生事物面前，只有积极接受，有机融合才能得以生存，取得共赢。

目的:探讨基于深度学习的人工智能（AI）系统评估生长发育异常儿童骨龄的准确性。方法:回顾性连续收集2020年1月至2021年12月于贵州医科大学附属医院就诊的生长发育异常儿童的左手腕部X线正位片，共入组717例儿童，男266例、女451例，年龄2~18（11±3）岁。基于Tanner Whitehouse 3（TW3）-RUS（尺骨、桡骨、短骨）和TW3-Carpal（腕骨）法，由3名高年资医师评测骨龄，并取3者的均值作为参考标准。由AI系统（深睿医疗Dr.Wise骨龄预测软件）和2名低年资放射科医师（医师1、医师2）独立评测骨龄，并分别计算骨龄结果与参考标准骨龄之间误差在0.5年内的准确度、1年内的准确度、平均绝对误差（MAE）和均方根误差（RMSE）。以配对样本 t检验比较AI系统和低年资医师间的MAE。采用组内相关系数（ICC）评价AI系统、低年资医师评测骨龄与参考标准骨龄之间的一致性。绘制Bland-Altman图，计算AI评测骨龄与参考标准骨龄之间95%一致性界限。 结果:对TW3-RUS骨龄，与参考标准相比，AI系统、医师1、医师2误差在0.5年内的准确度分别为75.3%（540/717）、62.1%（445/717）、66.2%（475/717），误差在1年内的准确度分别为96.9%（695/717）、86.3%（619/717）、89.1%（639/717），MAE分别为0.360、0.565、0.496年，RMSE分别为0.469、0.634、0.572年。对TW3-Carpal骨龄，与参考标准相比，AI系统、医师1、医师2误差在0.5年内的准确度分别为80.9%（580/717）、65.1%（467/717）、71.7%（514/717），误差在1年内的准确度分别为96.0%（688/717）、87.3%（626/717）、90.4%（648/717），MAE分别为0.330、0.527、0.455年，RMSE分别为0.458、0.612、0.538年。AI系统TW3-RUS和TW3-Carpal骨龄评测的MAE均小于医师1、医师2，差异均有统计学意义（ P均<0.001）。AI、医师1、医师2评测骨龄结果与参考标准之间均具有较好的一致性（ICC均>0.950）。Bland-Altman图显示AI系统对TW3-RUS和TW3-Carpal骨龄评测的95%一致性界限分别为-0.75~1.02岁、-0.86~0.91岁。 结论:AI系统对生长发育异常患儿骨龄评测的准确度接近高年资医师，优于低年资医师，且与高年资医师的一致性良好。

目的:利用真实世界的数据探讨基于人工智能（AI）骨龄测量系统的Tanner-Whitehouse（TW）3评分系统中尺骨、桡骨、短骨（RUS）和腕骨（Carpal）骨龄临床应用中的差异。方法:回顾性收集2021年7月至9月于首都儿科研究所附属儿童医院行左侧手腕部X线正位片检查的262例儿童的影像资料。采用AI骨龄辅助软件分别采用TW3-RUS和TW3-Carpal标准对入组影像资料进行骨龄评估，得到AI骨龄。由两名高年资儿科影像医师依据TW3-RUS和TW3-Carpal标准进行评估，所得骨龄结果的平均值作为金标准。根据金标准获得的骨龄以3岁为间隔进行分层，骨龄1~3、4~6、7~9、10~12、13~15和16~18岁的例数分别为10、35、70、118、27、2例。使用组内相关系数（ICC）评估AI骨龄与金标准骨龄结果的一致性，采用Pearson相关法分析AI骨龄与金标准骨龄的相关性。采用配对 t检验比较不同骨龄段内AI测定的TW3-RUS与TW3-Carpal骨龄的差异。 结果:整体样本中AI测定的TW3-RUS和TW3-Carpal骨龄分别为（8.9±3.1）和（8.7±3.0）岁，金标准TW3-RUS和TW3-Carpal骨龄分别为（8.7±2.9）和（8.8±2.8）岁。AI测定的TW3-RUS和TW3-Carpal骨龄结果均与金标准具有高度一致性（ICC分别为0.983、0.976）和高度正相关（ r分别为0.985、0.978， P均<0.001）。7~9、10~12和13~15岁骨龄段内，TW3-RUS与TW3-Carpal骨龄间差异有统计学意义（ t=-3.36、-1.77、1.84， P=0.001、0.046、0.040）。4~6和7~9岁骨龄段内，TW3-RUS、TW3-Carpal骨龄与金标准一致性良好（ICC均>0.75），且TW3-Carpal骨龄一致性（ICC分别为0.940、0.927）稍优于TW3-RUS（ICC分别为0.929、0.882）。10~12和13~15岁骨龄段内，TW3-RUS骨龄与金标准的一致性（ICC分别为0.962、0.963）明显优于TW3-Carpal骨龄（ICC分别为0.744、0.605）。 结论:AI骨龄测量结果具有良好的可靠性与准确性。利用骨龄AI辅助评估系统时，4~9岁儿童采用TW3-Carpal标准更准确，而10~15岁儿童则建议采用TW3-RUS标准。