基于三维深度学习框架的颅骨CT元数据自动骨龄评估新方法研究

为解决法医学中仅凭颅骨进行骨龄评估(BAA)的难题，研究人员开发了一种基于三维深度学习(DL)框架的颅骨CT元数据分析方法。该研究利用1,085例患者共385,175张颅骨CT切片数据，通过对比实验验证其模型在训练集(MAE:男6.51/女6.10年)、测试集(5.70/7.84年)和外部验证集(8.86/10.56年)的优越性，显著优于传统手工特征方法(MAE 10.12-14.12年)，为法医人类学提供了新的骨骼标记物识别方案。

　　在法医科学领域，当仅能获取颅骨样本时，骨龄评估(Bone Age Assessment, BAA)成为极具挑战性的任务。这项突破性研究构建了基于三维深度学习(3D-DL)的智能分析框架，通过挖掘颅骨CT扫描中的深层特征来破解年龄密码。研究团队收集了横跨16.32至90.56岁的1,085例患者共计385,175张CT切片数据，采用9:1比例随机划分训练集(N=976)和测试集(N=109)，并引入101例外院数据作为外部验证。

实验采用分层对比策略，将提出的3D-DL模型与前沿的二维/三维深度学习方案及基于手工特征的传统机器学习(ML)方法进行较量。以平均绝对误差(MAE)为核心指标，在包含1,186例受试者(平均年龄54.72±14.91岁，男女比例603:583)的队列中，该模型展现出显著优势：男性组在训练/测试/外部验证集的MAE分别达到6.51、5.70和8.86年，女性组则为6.10、7.84和10.56年，远超传统方法10.12-14.12年的误差范围。值得注意的是，模型在老年群体中误差略有增大，这为后续优化指明了方向。

该研究不仅证实了三维深度学习在颅骨年龄鉴定中的卓越性能，更开创性地发现了若干新型骨骼标记物。这套专业级的特征提取框架，为法医人类学开辟了从三维医学影像中挖掘生物特征的新范式。