编辑推荐：
骨龄评估连续建模框架提出基于学习到排名的多任务编码器与最小生成树算法，通过整合医学先验知识实现从离散标注到连续序列的转换，有效捕捉骨骼发育的渐进特征，实验显示其SVM准确率达0.8463且Silhouette得分0.3017，显著优于单任务基线方法。
戴国勇|郭晨|周天宇|陈俊豪|邵彦涛|徐瑞吉|毛克基|钱晓峰
中国浙江省树人大学信息科学与技术学院，杭州，310015
摘要
传统的骨骼年龄评估方法，如CHN标准，通常采用离散的分级系统，这些系统难以精确捕捉骨骼发育的连续性和渐进性特征以及同一等级内的细微变化。为了解决这一局限性，本研究重点关注桡骨的发育过程，并提出了一种连续建模框架，该框架将医学先验知识与学习排序相结合。其目标是从粗粒度的注释中恢复细粒度的发育时间序列。该方法利用由关键发育标志点引导的多任务编码器生成具有高度区分度的特征。结合一个四元组排序网络（用于优化特征空间内的时间映射），该框架随后使用最小生成树（MST）算法重建全局连续的发育序列。基于10万例临床案例的实验表明，多任务协同机制显著优于单任务基线方法。完整模型的性能更优，SVM分类准确率为0.8463，轮廓值为0.3017。可视化结果显示，重建的图像序列显示出与生理模式一致的平滑过渡。这验证了该方法在克服离散评估固有的不连续性方面的有效性，为精确的儿童骨骼年龄评估提供了重要的理论和技术支持。
引言
骨骼年龄评估（BAA）是儿科临床实践和人类生长研究中的关键工具。通过分析手部X光片中的骨骼形态特征，医生可以量化儿童的生物成熟度，从而帮助诊断内分泌疾病（如性早熟、生长激素缺乏症），并为预测成人身高提供科学依据[1]。
在现有的评估标准中，CHN方法（中国手和腕骨骼成熟度标准）通过观察14块参考骨骼（包括桡骨和尺骨）的形态特征，将复杂的骨化过程划分为离散的等级。尽管这种标准化的分级系统为临床诊断提供了重要基准，但其“离散”的设计理念与骨骼发育的“连续”生物学现实之间存在内在矛盾。在临床实践中，这种“阶梯式”效应造成了一个盲点：骨骼成熟是一个渐进的过程，但传统标准却将不同的发育状态归为同一等级。因此，在需要高灵敏度监测的情境下（例如评估3-6个月内生长激素治疗的短期效果），离散方法往往无法捕捉到等级内的细微进展，从而限制了临床决策的准确性。
本研究重点关注桡骨，这是手部腕部骨骼发育的核心指标（如图1所示）。作为骨骼年龄评估的关键参考指标，桡骨的发育呈现出明显的连续演化轨迹：从骨化中心的初始出现和形态重塑（从椭圆形变为三角形），到生长板波状的细微变化，最终到干骺端和骨干的逐渐融合[2]。虽然传统的CHN标准根据这些特征将桡骨发育分为10个主要等级，但这种人为的离散分割在高精度评估需求面前存在两个关键瓶颈。
尽管近年来深度学习技术已广泛应用于骨骼年龄评估[3]，但现有的主流方法主要将问题表述为图像分类或数值回归任务。分类方法通常采用临床离散标签，从而继承了上述的“非黑即白”的不连续性缺陷。相反，虽然回归方法可以输出连续值，但它们缺乏对骨骼形态演化的显式建模，对异常值敏感，并且难以提供临床可解释的特征表示。此外，现有的完全监督方法严重依赖昂贵的细粒度注释。专家们在子等级注释上的一致性较低，进一步限制了模型学习细粒度发育特征的能力。
为了解决这些挑战，本文提出了一种连续建模框架，将医学先验知识与学习排序相结合。与传统分类范式不同，本研究旨在通过学习样本之间的相对发育顺序，从粗粒度的临床注释中恢复细粒度的连续发育时间序列。重要的是，这种连续建模并不是为了取代现有的临床标准（如CHN），而是为了对其进行改进。通过将学习到的连续特征嵌入映射回标准的骨骼年龄尺度，我们的框架生成了“小数级”的评估（例如，将样本量化为“3.4级”而不是宽泛的“3级”）。这使得派生的连续序列可以作为标准报告的精确定量补充，弥合了粗粒度临床分期与细粒度生物学现实之间的差距。
本文的核心贡献总结如下三个方面：
1.提出基于学习排序的连续评估新范式：针对骨骼发育的连续性和渐进性，我们摒弃了传统的离散分类方法，构建了一个基于四元组的排序学习框架。该框架挖掘样本之间的潜在“相对发育距离”，以支持精确的纵向监测，有效解决了等级内变异的模糊性和等级间过渡的不连续性问题。
2.设计一种由医学先验引导的多任务特征解耦机制：为了解决深度学习特征的可解释性不足问题，我们引入了关键发育标志点检测和解剖区域定位作为辅助任务。通过协同的多任务训练，编码器被迫关注具有明确生理意义的区域，如干骺端融合线和骨化中心边缘。这将复杂的图像信息解耦为与医学认知一致的高区分度发育特征表示。
3.基于最小生成树（MST）构建全局时间重建算法：为了解决大规模无序骨骼年龄数据排序的挑战，我们提出了一种结合深度特征嵌入和最小生成树（MST）的序列重建算法[4]。通过利用特征空间的优化拓扑结构，该算法在弱监督条件下自动发现数据流形中的最佳发育路径。这使得在粗粒度临床数据下实现细粒度的连续排序成为可能，为构建高精度数字生长曲线提供了技术支持。
方法论
骨骼成熟的连续建模在计算机辅助诊断（CAD）领域是一个重大挑战。尽管传统的CHN分级系统为临床诊断提供了标准化框架，但其离散性质无法充分捕捉生长和发育中的渐进模式。为了解决这一问题，我们提出了一个基于关键发育引导的编码的学习排序框架，如图2所示。通过整合医学成像特征
数据集
本研究遵循赫尔辛基宣言进行，并获得了机构审查委员会（IRB）的批准。所有参与者的监护人均已签署知情同意书。本研究使用的数据来自浙江省的“校园慈善巡游”项目。2018年至2019年间，项目团队在120多所小学收集了超过10万条数据记录。其中包含10,052张左侧
贡献总结
为了解决传统离散分级系统在准确捕捉骨骼发育连续性方面的局限性，本研究提出了一种由关键发育标志点引导的排序学习框架。主要目标是利用深度学习技术从粗粒度注释中恢复细粒度的骨骼发育序列。
首先，我们设计了一个多任务特征编码器，整合了医学先验知识。通过明确指导模型
CRediT作者贡献声明
戴国勇：撰写——原始草稿。郭晨：方法论。周天宇：形式分析。陈俊豪：调查。邵彦涛：资源、数据管理。徐瑞吉：可视化、调查。毛克基：项目管理、资金获取。钱晓峰：撰写——审阅与编辑、监督。
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：
毛克基报告称获得了浙江工业大学的财务支持。如果还有其他作者，他们声明没有已知的可能会影响本文所述工作的财务利益或个人关系。
致谢
本研究得到了浙江省“先锋”和“领头鹅”研发计划（项目编号2026C02A1019、2026C02A1222）的支持；得到了浙江省自然科学基金（项目编号LTGG23F020002）的支持；得到了浙江工业大学校企合作项目（项目编号KYY-HX-20250798、KYY-HX-20230493、KYY-HX-20250381、KYY-HX-20250423）的支持；以及得到了浙江省医疗卫生科学计划（项目编号WKJ-ZJ-26092）的支持。
戴国勇于2021年在中国杭州的浙江工业大学获得控制科学与工程博士学位。他目前是中国浙江省树人大学信息科学与技术学院的副教授。他的研究兴趣包括物联网（IoT）、图像处理以及人工智能模型和算法。
