Оценка костного возраста: релевантность классических методик и сравнительный анализ с искусственным интеллектом

Д.Н. Резников¹, Д.В. Кулиговский¹, И.Г. Воронцова², А.В. Петряйкин¹, д-р мед. наук, Е.Е. Петряйкина², д-р мед. наук, А.Е. Гордеев¹, М.Д. Варюхина¹, канд. мед. наук, Р.А. Ерижоков^{1, 3}, О.В. Омелянская¹, А.В. Владзимирский¹, д-р мед. наук, Ю.А. Васильев¹, канд. мед. наук

¹ ГБУ здравоохранения города Москвы «Научно-практический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы»
²РДКБ - филиал ФГАОУ ВО «Российский национальный исследовательский медицинский университет им. Н.И. Пирогова» Минздрава России
³ФГАОУ ВО «Первый Московский государственный медицинский университет им. И.М. Сеченова» Минздрава России, г. Москва

Ключевые слова: костный возраст, искусственный интеллект, рентгенография кисти, Атлас Грейлиха и Пайл, таблица Жуковского и Бухмана

Key words: bone age, artificial intelligence, hand radiography, hand X-ray, Greilich and Pyle Atlas, Zhukovsky and Buchman table

Резюме. Цель исследования. Провести сравнительный анализ классических методик оценки костного возраста у детей современной российской популяции, а также валидировать программное обеспечение с использованием технологий искусственного интеллекта (ТИИ) для автоматизации и стандартизации оценки КВ по рентгенографии кисти. Материалы и методы. Методики оценки КВ: Атлас Грейлиха и Пайл, таблица Жуковского и Бухмана, Атлас Гилсанса и Ратиба. Набор данных: выгрузка из Единого радиологического информационного сервиса Единой медицинской информационной аналитической системы (ЕРИС ЕМИАС): 890 рентгенограмм кисти в прямой проекции (мужской пол - 487, женский пол - 403, возраст от 5 до 215 месяцев), изображения представлены в формате DICOM и анонимизированы. Инструменты и библиотеки: Обработка изображений, разработка нейросетевых моделей и статистический анализ выполнены с использованием языка программирования Python (библиотеки TensorFlow, PyTorch, Keras, OpenCV, scikit-learn, NumPy, Matplotlib). Результаты. Классические методики оценки костного возраста показали статистически значимые различия между собой при анализе общей когорты (p < 0,001) и когорты без отклонений КВ (p < 0,001), в оппортунистической когорте (пациенты, направленные на диагностику травмы) различия были незначимы (p = 0,544). Разработанный алгоритм, адаптированный к российским данным, обеспечил среднюю абсолютную ошибку MAE (Mean Absolute Error) = 7,9 месяцев. Заключение. Исследование демонстрирует потребность в оптимизации методик оценки КВ для российской популяции. Разработанный алгоритм обеспечивает стандартизированный подход к оценке КВ, для снижения вариабельности между заключениями врачей.

Summary. Purpose of the study. To conduct a comparative analysis of classical methods of bone age estimation in children of the modern Russian population, and to validate software using artificial intelligence technologies (AIT) to automate and standardize the estimation of BF on hand radiography. Materials and Methods. Methods for estimating EF: Greilich and Pyle Atlas, Zhukovsky and Buchman Table, Gilsans and Ratiba Atlas. Data set: download from the Unified Radiologic Information Service of the Unified Medical Information Analytical System (EMIAS): 890 radiographs of the hand in direct projection (male gender - 487, female gender - 403, age from 5 to 215 months), images were presented in DICOM format and anonymized. Tools and libraries. Image processing. neural network model development and statistical analysis were performed using Python programming language (TensorFlow, PyTorch, Keras, OpenCV, scikit-learn, NumPy, Matplotlib libraries) Results. Classical bone age estimation techniques showed statistically significant differences between each other when analyzing the total cohort (p < 0,001) and the cohort without CV abnormalities (p < 0,001), in the opportunistic cohort (patients referred for trauma diagnosis) the differences were insignificant (p = 0,544). The developed algorithm adapted to Russian data provided a mean absolute error = 7,9 months. Conclusion. The study demonstrates the need to optimize CV assessment methods for the Russian population. The developed algorithm provides a standardized approach to CV assessment to reduce variability between doctors' conclusions.

Для цитирования: Оценка костного возраста: релевантность классических методик и сравнительный анализ с искусственным интеллектом / Д.Н. Резников [и др.] // Практика педиатра. 2025. № 4. С. 5-11.

For citation: Bone age assessment: Relevance of Classical techniques and Comparative Analysis with Artificial Intelligence / D.N. Reznikov [et al.] // Pediatrician's Practice. 2025;(4): 5-11. (In Russ.)

ВВЕДЕНИЕ

Костный возраст (КВ) является важным показателем биологической зрелости скелета у детей и подростков, широко используемым в различных областях медицины. В эндокринологии определение КВ играет ключевую роль в диагностике заболеваний, связанных с нарушениями роста, таких как гипопитуитаризм (E23.0), акромегалия и гипофизарный гигантизм (E22.0), ахондроплазия (Q77.4), и в оценке эффективности их терапии, кроме того КВ используется в травматологии и ортопедии для выбора тактики лечения, в судебно-медицинской экспертизе для установления возраста, в спортивной медицине для индивидуализации физических нагрузок и снижения риска травм [1-5].

В настоящее время существует множество методик для оценки КВ. Наиболее распространенным является Атлас Грейлиха и Пайл (АГП), разработанный более 50 лет назад и используемый более чем 76% врачей во всем мире [5]. Данный метод основан на сопоставлении рентгенограммы кисти пациента с эталонными изображениями из Атласа. Альтернативой служит Атлас Гилсанса и Ратиба (АГР), представляющий собой более современное руководство с высококачественными изображениями, обновленными в соответствии с современными стандартами рентгенографии [7]. Методика Таннера -Уайтхауса (МТУ) отличается высокой точностью и основана на количественной оценке степени оссификации отдельных костей кисти [8]. Однако ее применение требует значительного времени и специальных профессиональных навыков, что ограничивает ее использование в рутинной практике.

Важно отметить, что ни одна из перечисленных методик не была валидирована на российской популяции. Некоторые современные исследования указывают на то, что применение этих методик к популяциям, отличным от тех, что использовались при создании методик, может приводить к неточным результатам [9-19].

Помимо этого, в отечественных таблицах Жуковского и Бухмана (ТЖБ) для определения КВ отсутствуют установленные стандартные отклонения и их применимость к современной популяции остается недостаточно исследованной.

Таким образом, современная клиническая практика сталкивается с рядом проблем, затрудняющих эффективную и точную оценку КВ: отсутствие стандартизации -классические методики, основанные на субъективной интерпретации рентгенограмм, могут приводить к вариабельности результатов между разными специалистами; недостаточная точность - врачи-эндокринологи нуждаются в точных числовых значениях КВ для принятия обоснованных клинических решений, но часто получают размытые или неопределенные результаты; устаревшие данные - наиболее часто применяемые методики, такие как Атлас Грейлиха и Пайла (опубликован в 1959 году), были разработаны более 65 лет назад, а таблица Жуковского и Бухмана (опубликована в 1987 году) - более 35 лет назад.

В условиях растущего интереса к использованию искусственного интеллекта (ИИ) в медицинской визуализации разработка программного обеспечения (ПО) для автоматизированной и стандартизированной оценки КВ стала важной задачей. Зарубежные исследования показали, что ИИ способен повысить точность, воспроизводимость и эффективность работы врача, снижая субъективность и временные затраты [5, 20-24, 38].

В России подобные решения отсутствуют, что делает исследования в этой области актуальными для улучшения качества медицинской помощи и внедрения передовых технологий в клиническую практику [28]. Для этого нашим авторским коллективом в рамках IV Открытой конференции молодых ученых Центра диагностики и телемедицины (НПКЦ ДиТ ДЗМ) был разработан прототип ПО для автоматизированной оценки КВ [25].

В дальнейшем после доработки ПО было зарегистрировано под названием «MOSMEDSOFT: программа для определения костного возраста у детей по рентгенограмме кисти» (Свидетельство о регистрации программы для ЭВМ RU 2025661583).

Цель исследования - проведение сравнительного анализа классических методик оценки КВ, а также валидация разработанного ПО на детской когорте г. Москвы.

МАТЕРИАЛЫ И МЕТОДЫ

Данные для исследования были получены ретроспективно, методом сплошной выгрузки из Единого радиологического информационного сервиса Единой медицинской информационно-аналитической системы г. Москвы (ЕРИС ЕМИАС) за 2021-2024 гг. Всего было выгружено 890 изображений прямой рентгенографии кисти (мужской пол - 487, женский пол - 403, в возрасте от 5 до 215 месяцев). Изображения представлены в формате DICOM и анонимизированы.

Из 890 исследований, составивших общую когорту, 540 исследований содержали упоминание «костного возраста» в заключении (выборка, направленная на оценку костного возраста). 350 были выполнены преимущественно для диагностики травматических изменений, из них были отобраны 68 исследований, эта подгруппа выделена как оппортунистическая когорта.

Таким образом, сформировалась анализируемая когорта, включающая 638 исследований, подходящих для различных методик оценки костного возраста.

В соответствии с клиническими рекомендациями мы приняли за патологию абсолютное отклонение костного возраста более 24 месяцев от хронологического возраста [29]. Все 638 исследований из анализируемой когорты были оценены двумя врачами по ТЖБ. Исследования, для которых абсолютное отклонение оказалось меньше 24 месяцев для обоих врачей, составили когорту без отклонений КВ (N = 464).

Когорта без отклонений КВ послужила основой для формирования базы данных для дообучения и валидации алгоритма ИИ [26-27]. Далее каждая когорта была проанализирована по трем методикам: АГП, АГР, ТЖБ.

Статистическая обработка была проведена на персональном компьютере с использованием языка программирования Python 3.10. Для оценки различий между врачами использовался парный t-тест, оценка различий между методиками проведена с помощью RM-ANOVA и парного t-теста.

Для сравнения оценки разработанного ПО с оценкой врача, сделанной с помощью классических методик, использовался коэффициент корреляции Спирмена и MAE (mean absolute error, разница между оценкой разработанного ПО и оценкой врача, указывается в месяцах), оценка влияния методики с учетом хронологического возраста проведена с помощью смешанной линейной модели.

РЕЗУЛЬТАТЫ

Исследование проводилось в два этапа: на первом этапе осуществлялся сравнительный анализ консервативных методик КВ на современной отечественной популяции г. Москвы и формирование набора данных для второго этапа - валидации разработанного ПО на отечественной популяции.

1. Сравнительный анализ консервативных методик оценки КВ.

Пример определения КВ у трех пациентов без патологии четырьмя различными методиками представлен на рисунке 1. Несмотря на отсутствие значимых различий костного возраста от хронологического, результаты, полученные разными методиками, отличаются.

Методика	Пациент 1 Хронологический возраст 2 года 4 мес	Пациент 2 Хронологический возраст 8 лет 3 мес	Пациент 3 Хронологический возраст 17 лет 9 мес
Атлас Грейлиха и Пайл	2 года	8 лет	18 лет
Таблица Жуковского и Бухмана	20-24 мес	7-7,5 лет	17-18 лет
Атлас Гилсанса и Ратиба	24 мес	8 лет	17 лет
Методика Таннера и Уайтхауса	2,3 лет	8,6 лет	17,8 лет

В процессе анализа в части исследований в анализируемой когорте были выявлены следующие особенности окостенения костей кисти, которые не согласуются с классической последовательностью формирования костей, описанной в методиках, применяемых для оценки костного возраста:

Появление ядер окостенения трехгранной кости раньше, чем ядра окостенения дистального эпифиза лучевой кости, что расходится с данными методики ТЖБ.

Появление ядер окостенения ладьевидной кости раньше, чем ядра трапециевидной и трапеции, что противоречит ожидаемому порядку, описанному в методиках АГП и АГР.

Формирование синостозов в концевых фалангах пальцев завершается раньше, чем синостоз в I пястной кости, что расходится с данными методики ТЖБ.

Разные варианты формирования трапециевидной кости и кости-трапеции, которые не следуют привычной последовательности.

Позднее появление полулунной кости, что также отличается от стандартной схемы формирования костей запястья.

Качественный анализ показал, что эти выявленные особенности могут оказывать влияние на точность оценки КВ, поскольку они не соответствуют классическим референсным значениям и могут отражать не уникальные отдельные случаи, а более общие тенденции в современной популяции. Однако для подтверждения их достоверности и представительности необходимы дальнейшие исследования с получением строгих количественных данных, что позволит уточнить клиническое значение этих отклонений и адаптировать методики для более точной диагностики.

Совпадение оценок КВ наблюдалось в 464 случаях (72,7% от общей когорты). Средняя разница в оценке КВ между врачами составила два месяца (95% ДИ: 1,09 до 2,99 месяцев; парный t-критерий: t = -4,23, p < 0,001), что указывает на последовательное занижение оценок одним из экспертов относительно другого. Полученная средняя разница в два месяца находится в пределах допустимой для практического применения методик оценки костного возраста.

Сравнение классических методик оценки костного возраста (АГП, ТЖБ, АГР) на современной популяции г. Москвы с применением метода RM-ANOVA показало наличие статистически значимых различий между методиками в анализируемой когорте (N = 638; F-статистика = 34,444, p < 0,001) и когорте без патологии (N = 464; F = 41,758, p < 0,001) и отсутствие статистически значимых различий в оппортунистической когорте (N = 68; F-статистика = 0,614, p = 0,542).

Парный t-тест выявил статистически значимые различия (p < 0,001) между методиками в анализируемой когорте (сравнение таблицы Жуковского и Бухмана с Атласом Грейлиха и Пайл: средняя разница = -2,5 мес; сравнение таблицы Жуковского и Бухмана с Атласом Гилсанса и Ратиба: средняя разница = -2,8 мес), а также в когорте без патологии костного возраста (сравнение таблицы Жуковского и Бухмана с Атласом Грейлиха и Пайл: средняя разница = -3,2 мес; сравнение таблицы Жуковского и Бухмана с Атласом Гилсанса и Ратиба: средняя разница = -3,4 мес). Отрицательные значения средней разницы указывают на то, что оценки по таблице Жуковского и Бухмана в среднем ниже, чем по соответствующим атласам (т. е. разница рассчитана как значение по таблице Жуковского и Бухмана минус значение по Атласу). Различия между Атласом Грейлиха и Пайл и Атласом Гилсанса и Ратиба во всех когортах, как и все сравнения в оппортунистической когорте, не достигли статистической значимости (p > 0,05).

2. Валидация разработанного ПО на отечественной популяции.

Анализ сравнения оценок костного возраста, полученных с помощью разработанного программного обеспечения (ПО), с оценками врача-рентгенолога, проведенный с использованием линейной смешанной модели (учитывающей фиксированные эффекты предикторов и случайные эффекты, такие как индивидуальные различия пациентов), показал следующие результаты. Коэффициенты в модели представляют собой оценки регрессии β-коэффициенты), которые отражают влияние каждого фактора на зависимую переменную - оценку костного возраста рентгенологом (в месяцах). Коэффициент для хронологического возраста составил 1,027 (95% ДИ: 0,963-1,092; p < 0,001), что указывает на значимое положительное влияние возраста пациента на оценку. Относительно базового метода (Атлас Грейлиха и Пайл, АГП): для алгоритма ИИ коэффициент - 1,721 (95% ДИ: 0,291-3,150; p = 0,018); для методики Атласа Гил-санса и Ратиба (АГР) - 1,324 (95% ДИ: 0,252-2,395; p = 0,016); для методики таблицы Жуковского и Бухмана (ТЖБ) - 1,221 (95% ДИ: -0,809-3,250; p = 0,238). Константа модели (пересечение, intercept): -5,182 (95% ДИ: -11,353-0,988; p = 0,100). Коэффициент корреляции Спирмена продемонстрировал сильную положительную связь между оценками разработанного ПО и оценкой врача по классическим методикам АГП, ТЖБ и АГР составляет 0,981, 0,978, 0,983 соответственно, p < 0,001.

Разработанное ПО учитывает зоны интереса, которые используются врачами для оценки КВ (рис. 2).

Методика	Пациент 1 Хронологический возраст 8 лет 6 мес	Пациент 2 Хронологический возраст 2 года 3 мес	Пациент 3 Хронологический возраст 1 год 6 мес
Алгоритм ИИ (мес)	102	30	19
Оценка врача-рентгенолога по АГП (мес)	96	24	15

3. ИИ для оценки КВ на травматологических снимках.

Оценка КВ у пациентов, направленных на рентгенографию кисти по травматическим показаниям, представляет значительную методологическую сложность. Основная проблема связана с тем, что такие исследования часто сопровождаются анатомическими нарушениями, сопутствующими патологиями, наличием шумов и артефактов, а также несоответствующими проекциями, затрудняющими полноценный анализ.

На рисунке 3 представлены данные, подтверждающие, что разработанное нами ПО способно предоставлять оценку КВ, сопоставимую с оценкой врача, даже при наличии артефактов и частичной визуализации зон роста. Однако для достижения высокой точности требуется обучение ИИ-моделей на больших наборах данных, учитывающих разнообразие патологий, что представляет значительную техническую и ресурсную проблему, в то же время такой подход открывает перспективы для оппортунистического скрининга [30].

Методика	Пациент 1 Хронологический возраст 3 года 2 мес	Пациент 2 Хронологический возраст 2 года 1 мес
Алгоритм ИИ (мес)	42	24
Оценка врача-рентгенолога по АГП (мес)	36	24

ОБСУЖДЕНИЕ

1. Сравнительный анализ классических методик оценки КВ.

Выявленные отклонения в последовательности окостенения костей кисти указывают на несоответствие классических методик современным антропологическим особенностям московской популяции. Эти находки подтверждают гипотезу об акселерации скелетного созревания, связанную с секулярными трендами, которые отмечаются в исследованиях физического развития детей [31]. Однако как отечественные, так и зарубежные исследования подчеркивают гетерохронность этих процессов [32, 33].

Систематические различия между методиками, особенно занижение оценок ТЖБ по сравнению с АГП и АГР, согласуются с данными о нестабильности методик оценки КВ на различных этнических популяциях [9-18]. Аналогичные ограничения АГП отмечены в белорусской популяции, где авторы отметили высокий уровень субъективизма и необходимость дополнительных исследований для уточнения точности и возможной коррекции применения АГП у пациентов отдельных возрастных групп [36]. Эти данные подчеркивают необходимость адаптации АГП для определенных возрастных и этнических групп, а также разработки популяционно-специфических стандартов. Сравнение с другими странами показывает аналогичные проблемы: в Южной Корее и Китае разработаны локальные методики оценки КВ, учитывающие региональные особенности окостенения [34-35].

На основании полученных данных АГП и АГР демонстрируют большую близость к ХВ по сравнению с ТЖБ, которая систематически занижает КВ на 2,5-3,4 месяца. Однако даже АГП и АГР требуют калибровки, так как не полностью учитывают анатомические особенности современной московской популяции.

2. Валидация программного обеспечения на основе ИИ.

Полученные результаты демонстрируют ограниченную применимость классических методик оценки КВ к современной популяции детей и подростков г. Москвы, а также высокий потенциал ИИ-алгоритмов для повышения точности диагностики. Сравнительный анализ выявил статистически значимые различия между методиками в анализируемой когорте (F = 34,444, p < 0,001) и когорте без патологий (F = 41,758, p < 0,001), особенно между ТЖБ и АГП, ТЖБ и АГР (средняя разница 2,53,4 месяца, p < 0,001). В оппортунистической когорте (n = 68) различия отсутствовали (F = 0,614, p = 0,542), что может быть обусловлено малым объемом выборки, узким возрастным диапазоном или отсутствием системных патологий, влияющих на окостенение.

Разработанное ПО на основе ИИ показало высокую точность и воспроизводимость в оценке КВ. Сильная корреляция с классическими методиками (коэффициент Спирмена 0,978-0,983, p < 0,001) и низкая средняя абсолютная ошибка (MAE 7,9 месяцев после дообучения) подтверждают его надежность. Популяционно-специфический подход, реализованный в нашем алгоритме через дообучение на 464 рентгенограммах нормальной когорты, согласуется с результатами зарубежных аналогов, которые использовали локальные данные [20, 37].

Смешанная линейная модель выявила значимое влияние хронологического возраста (коэффициент регрессии в = 1,027, 95% ДИ: 0,963-1,092; p < 0,001) и систематическое завышение оценок костного возраста, полученных с помощью алгоритма ИИ, по сравнению с оценками врача-рентгенолога, использующего классические методики (по Атласу Грейлиха и Пайл: в = 1,721 месяца, 95% ДИ: 0,291-3,150; p = 0,018; по Атласу Гилсанса и Ратиба: в = 1,324 месяца, 95% ДИ: 0,252-2,395; p = 0,016), но не по таблице Жуковского и Бухмана (в = 1,221 месяца, 95% ДИ: -0,809-3,250; p = 0,238). Положительные значения коэффициентов указывают на то, что оценки ИИ в среднем выше оценок врача на указанную величину (в месяцах).

Это смещение клинически приемлемо, поскольку оно ниже порога патологии (24 месяца).

3. ИИ для оценки КВ на травматологических снимках.

В оппортунистической когорте (n = 68) различия отсутствовали (F = 0,614, p = 0,542), что может быть обусловлено малым объемом выборки, узким возрастным диапазоном или отсутствием системных патологий, влияющих на окостенение.

В ходе работы было проанализировано 350 рентгенограмм кисти, выполненных для диагностики травм. Из них для дальнейшего анализа удалось отобрать лишь 68 исследований, соответствующих критериям включения: сохранность зон роста и отсутствие грубых патологических изменений. Таким образом, только 68 исследований из 350 (19,4%) оказались пригодны для оценки КВ, что подчеркивает ограниченную применимость травматологических снимков для этой цели. Это делает применение классических методик оценки КВ ограниченным и подчеркивает сложность формирования репрезентативной выборки для таких пациентов. Тем не менее ряд исследователей, достигших приемлемой точности, использовали для своих моделей машинного обучения снимки пациентов травматологического профиля.

ЗАКЛЮЧЕНИЕ

Выявленные различия между классическими методиками, особенно занижение оценок таблицей Жуковского и Бухмана по сравнению с Атласами Грейлиха и Пайл и Гилсанса и Ратиба, а также особенности окостенения в современной московской когорте подчеркивают необходимость создания популяционно-специфичных стандартов оценки костного возраста для России.

Разработанное программное обеспечение на основе ИИ показало высокую согласованность с классическими методиками оценки костного возраста и может быть рекомендовано для использования в клинической практике как инструмент, повышающий точность и стандартизацию диагностики.

Дальнейшие исследования предполагается сосредоточить на валидации ИИ-алгоритма на более широкой российской когорте, изучении клинической значимости анатомических особенностей и повышении точности автоматизированной оценки костного возраста.

Полученные результаты создают основу для дальнейшего совершенствования подходов и внедрения ИИ-решений в клиническую практику, способствуя повышению эффективности и стандартизации радиологической диагностики.

Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.

Финансирование. Данная статья подготовлена авторским коллективом в рамках НИОКР «Разработка и создание аппаратно-программного комплекса для оппортунистического скрининга остеопороза», (№ ЕГИСУ: 123031400007-7) в соответствии с Приказом от 22.12.2023 г. № 1258 «Об утверждении государственных заданий, финансовое обеспечение которых осуществляется за счет средств бюджета города Москвы государственным бюджетным (автономным) учреждениям, подведомственным Департаменту здравоохранения города Москвы, на 2024 год и плановый период 2025 и 2026 годов» Департамента здравоохранения города Москвы.

Литература

1. Клинические случаи задержки роста у детей и подростков астраханской области / Н.Ю. Отто [и др.] // Вестник Волгоградского государственного медицинского университета, 2021. Т. 18, № 1. C. 144-149.

2. Зиненко Ю.В. Некоторые проблемы производства судебно-медицинских экспертиз по установлению возраста живых лиц // Электронный научный журнал «Дневник науки», 2021. № 5.

3. Сравнение различных методик определения «костного возраста» по рентгенограммам кисти у пациентов с активными зонами роста с антеромедиальной нестабильностью коленного сустава / Я.А. Иванов [и др.] // Гений ортопедии. 2024. Т. 30, № 1. С. 67-75.

4. Hand X-Ray in Pediatric Endocrinology: Skeletal age Assessment and Beyond / De Sanctis Vincenzo [et al.] // Indian Journal of Endocrinology and Metabolism. 2014. Vol. 1, No. 18. P. 63-71. DOI: 10.4103/2230-8210.145076.

5. Rethinking Greulich and Pyle: A Deep Learning Approach to Pediatric Bone Age Assessment Using Pediatric Trauma Hand Radiographs / I. Pan [et al.] // Radiological Society of North America. 2020. Vol. 2, No. 4. P. 1-9.

6. Traditional and New Methods of Bone Age Assessment-An Overview / M. Prokop-Piotrkowska [et al.] // Jcrpe Journal of Clinical Research in Pediatric Endocrinology, 2021. Vol. 13, No. 3. P. 251-262.

7. Gilsanz Vicente, Ratib Osman. Hand Bone age: A Digital Atlas of Skeletal Maturity // Springer. 2005.

8. Assessment of Skeletal Maturity and Prediction of Adult Height / J.M. Tanner [et al.]. N.Y. : Academic Press, 1975.

9. The Applicability of Greulich and Pyle Atlas to Assess Skeletal Age for Four Ethnic Groups / Marjan Mansourvar [et al.] // Journal of Forensic and Legal Medicine. 2014. Vol. 22. P. 26-29.

10. Is the Greulich and Pyle atlas applicable to all ethnicities? A systematic review and meta-analysis / K. Alshamrani [et al.] // European Radiology. Springer Verlag. 2019. Vol. 29, No. 6. P. 2910-2923.

11. Forensic age estimation in living children: how accurate is the Greu-lich-Pyle method in Sabah, East Malaysia? / K.M. Nang [et al.] // Frontiers Pediatrics. 2023. Vol. 11. P. 1-9.

12. Precision and Accuracy of Radiological Bone Age Assessment in Children among Different Ethnic Groups: A Systematic Review / S.E. Martm Perez [et al.] // Diagnostics. Multidisciplinary Digital Publishing Institute (MDPI). 2023. Vol. 13, No. 19. P. 1-26.

13. Skeletal maturity of the hand in an East African group from Sudan / F. Elamin [et al.] // American Journal of Physical Anthropology. 2017. Vol. 163, No. 4. P. 816-823.

14. Applicability of Greulich and Pyle skeletal age standards to Indian children / S.T. Patil [et al.] // Forensic Science International. 2012. Vol. 216. P. 1-3.

15. Assessment of bone ages: Is the Greulich-Pyle method sufficient for Turkish boys? / A. Koc [et al.] // Pediatrics International, 2001. Vol. 43. No. 6. P. 662-665.

16. Chiang K.-H., Lin C. The reliability of using Greulich-Pyle method to determine children’s bone age in Taiwan // Article in Tzu Chi Medical Journal. 2005. Vol. 17, No. 6. P. 417-420.

17. Alshamrani K., Hewitt A., Offiah A.C. Applicability of two bone age assessment methods to children from Saudi Arabia // Clinical Radiology. 2020. Vol. 75, No. 2. P. 156-156.

18. Determination of Bone Age and its Correlation to the Chronological Age Based on the Greulich and Pyle Method in Saudi Arabia / B. Abdulmalik [et al.] // Journal of Pharmaceutical Research International. 2021. Vol. 33, No. 60B. P. 1186-1195.

19. Creo A.l., Schwenk W.F. Bone Age: A Handy Tool for Pediatric Providers // Pediatrics. 2017. Vol. 140. No. 6. P. 1-13.

20. Artificial Intelligence-Assisted Bone Age Assessment to Improve the Accuracy and Consistency of Physicians with Different Levels of Experience / X. Wang [et al.] // Frontiers Media SA. 2022. Vol. 10. P. 1-8.

21. Deep learning for automated skeletal bone age assessment in X-ray images/C.Spampinato[etal.] //MedicalImage Analysis.2017.Vol.36. P. 41-51.

22. Performance of a deep-learning neural network model in assessing skeletal maturity on pediatric hand radiographs / D.B. Larson [et al.] // Radiology. Radiological Society of North America. 2018. Vol. 287, No. 1. P. 313-322.

23. Lee B.D., Lee M.S. Automated Bone Age Assessment Using Artificial Intelligence: The Future of Bone Age Assessment // Korean Journal of Radiology. 2021. Vol. 22, No. 5. P. 792-800.

24. Accuracy and self-validation of automated bone age determination / D.D. Martin [et al.] // Scientific Reports. 2022. Vol. 12, No. 1. P. 1-12.

25. Применение искусственного интеллекта для оценки костного возраста в российской медицине: опыт хакатона (итоги разработки алгоритмов для медицинской диагностики) / Д.Н. Резников [и др.] // Диагностическая и интервенционная радиология. 2024. Т. 18, № 5. С. 6-14.

26. Основополагающие принципы стандартизации и систематизации информации о наборах данных для машинного обучения в медицинской диагностике / Ю.А. Васильев [и др.] // Менеджер здравоохранения, 2023. № 4. С. 28-41.

27. Методология тестирования и мониторинга программного обеспечения на основе технологий искусственного интеллекта для медицинской диагностики / Ю.А. Васильев [и др.] // Digital Diagnostics. 2023. Т. 4, № 3. C. 252-267.

28. Компьютерное зрение в лучевой диагностике: первый этап Московского эксперимента : методические рекомендации / Ю.А. Васильев [и др.]. 2023. С. 388.

29. Дедов И.И. Федеральные клинические рекомендации (протоколы) по ведению детей с эндокринными заболеваниями. Москва, 2014.

30. Базовые рекомендации к работе сервисов искусственного интеллекта для лучевой диагностики : методические рекомендации № 54. Москва : Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы, 2022.

31. Early Maturity as the New Normal: A Century-long Study of Bone Age / M.E. Boeyer [et al.] // Clinical Orthopaedics and Related Research. 2018. Vol. 476, No. 11. P. 2112-2122.

32. Forensic age estimation in Barcelona: analysis of expert reports issued between 2011 and 2018 / A.M. Taranilla Castro [et al.] // International Journal of Legal Medicine. 2023. Vol. 137. P. 395-402.

33. Сафоненкова Е.В. Секулярный тренд и перспективы развития (Обзор литературы) // Вестник новых медицинских технологий. 2022. № 3. C. 1-8.

34. Kim J.R., Lee Y.S., Yu J. Assessment of Bone Age in Prepubertal Healthy Korean Children: Comparison among the Korean Standard Bone Age Chart, Greulich-Pyle Method, and Tanner-Whitehouse Method // Korean Journal of Radiology. 2015. Vol. 1. P. 201-205.

35. A comparative study of three bone age assessment methods on Chinese preschool-aged children / C. Gao [et al.] // Frontiers in Pediatrics. 2022. Vol. 16, No. 10. P. 1-8.

36. Багинский В.А., Денисов С.Д., Солнцева А.В. Точность и эффективность определения костного возраста методом Грейлиха - Пайла у детей Республики Беларусь // Педиатрия. Восточная Европа. 2020. Т. 8, № 2. C. 206-217.

37. Bone Age Assessment Using Artificial Intelligence in Korean Pediatric Population: A Comparison of Deep-Learning Models Trained with Healthy Chronological and Greulich-Pyle Ages as Labels / P.H. Kim [et al.] // Korean Journal of Radiology. 2023. Vol. 24, No. 11. P. 1151-1163.

38. Васильев Ю.А., Владзимирский А.В. Искусственный интеллект в лучевой диагностике: Per Aspera Ad Astra. М. : Издательские решения, 2025.

Комментарии