Deep Learning-Based Sex Classification and Chronological Age-Group Estimation from Knee Radiographs Using a Multi-Task Framework with Rank-Fusion and Tri-Loss Learning
本研究提出了一种基于深度学习的多任务框架，该框架利用用于性别分类的秩融合集成（Rank-Fusion Ensemble）以及采用新型三元损失（Tri-Loss）策略的 ConvNeXt-Tiny 模型进行年代组年龄估计，从而在膝关节放射影像的人口统计学特征分析中实现了高准确度。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在法医学和医学诊断领域，识别身份不明的人通常始于一个简单的问题：他们是谁？两个最基本的答案是他们的生物学性别和年龄。几十年来，专家们一直依赖骨骼来提供这些线索，通过检查骨骼来观察其构建方式以及随时间变化的迹象。膝关节——大腿骨与胫骨相遇的复杂铰链部位——对于这项工作而言特别有价值。这个部位在男性和女性之间表现出明显的差异，并且随着一个人从青年步入老年，会经历可预测且渐进的变化。传统上，医生和法医专家通过肉眼观察该关节的 X 光片，并使用标准化图表对骨骼状况进行评分。然而，这种人工过程可能很缓慢，且不同的专家对同一张图像的判断并不总是一致。随着人工智能领域的发展，研究人员开始探究计算机是否能比人类肉眼更一致、更准确地识别出这些细微的模式。
来自土耳其库塔希亚健康科学大学和库塔希亚市立医院的一个研究小组在这一努力中迈出了重要一步。他们开发了一种新的计算机系统，旨在读取膝关节 X 光片，并自动确定拥有该膝关节的人的性别和年龄组。他们并没有依赖单一的方法，而是构建了一个能够同时处理两个不同任务的框架。对于第一个任务，即确定膝关节属于男性还是女性，研究小组并不信任单一的计算机模型。相反，他们训练了三种不同类型的先进人工智能系统来观察同一张图像。随后，他们将这三个系统的结果整合为一个统一的决策。这种被称为“排序融合集成”（Rank-Fusion Ensemble）的方法，使计算机能够权衡每个模型的优势，从而实现对生物学性别的极高可靠性识别。
第二个任务更为复杂：估算一个人的年龄。与性别这种二元类别不同，年龄是一个连续的过程。三十岁的人与四十岁的人在许多身体特征上非常相似，这使得年龄组之间的界限变得模糊。为了应对这一问题，研究人员使用了一种名为 ConvNeXt-Tiny 的专门计算机架构，该架构特别擅长捕捉图像中的精细细节。他们教会了这个系统去理解年龄组是遵循特定顺序的。他们设计了一种训练方法，对于猜错相邻年龄组的惩罚较轻，而对于猜错相距较远的年龄组则惩罚较重。例如，如果系统将一名五十岁的人误判为四十岁，这会被视为轻微错误；但如果误判为二十岁，则会被视为重大错误。这种作者称之为“三重损失策略”（Tri-Loss strategy）的方法，帮助模型尊重了衰老过程中自然且循序渐进的特性。
该团队在从 22 岁到 69 岁的患者中精心挑选的 1,042 张膝关节 X 光片集上测试了他们的系统。数据分布很均衡，男女比例接近，且患者均匀分布在五个不同的十年年龄段中。当系统在从未见过的图像上进行测试时，结果令人瞩目。在判定性别方面，组合系统在 96.65% 的情况下是正确的。它在区分男女骨骼结构方面表现得异常出色，其得分表明在分离这两个群体方面具有近乎完美的可靠性。这一表现显著优于用于创建该集成系统的任何三个独立计算机模型。
年龄估算任务被证明更具挑战性，因为相邻十年之间的差异往往非常微妙。尽管如此，这一专门系统在猜测正确年代方面的准确率仍达到了 71.29%。更重要的是，该系统很少做出荒谬的猜测。当它出错时，几乎总是只差了一个十年。研究人员发现，在 96.65% 的案例中，计算机的猜测要么是正确的年龄组，要么是紧邻的前一个或后一个年龄组。它从未出现过将成年人误认为老年人的那种极端错误。这表明该系统已成功学习了膝关节在人衰老过程中发生的渐进式、重叠式的变化，而不仅仅是记忆了不同的类别。
研究还观察了计算机对其答案的置信度。研究发现，当系统表现出高置信度时，它通常是正确的，这意味着它计算出的概率是值得信赖的。对于医疗和法医用途而言，这是一个至关重要的细节，因为了解结果的可靠性与结果本身同样重要。研究人员指出，虽然该系统在识别极年轻和极年老人群方面表现优异，但在区分中年组方面稍显困难，这可能是因为膝关节在这些年份中的物理变化较为平缓且不那么显著。
这项工作证明了深度学习可以作为一种强大的、客观的工具，来解读写在我们骨骼里的故事。通过结合多种用于性别识别的人工智能模型，并使用专门用于年龄估算的方案，研究人员创建了一个能够提供定量分析替代方案的系统，以取代传统的、人工的观察。虽然这项研究针对的是特定人群和特定的年龄范围，但结果表明，膝关节放射影像的自动化分析可以提供一致、高准确度的统计特征。这种能力最终可以支持法医专家识别身份不明的遗骸，或帮助临床医生评估活体患者的年龄相关变化，且无需面对人为解释带来的变异性。研究结果证实，膝关节凭借其清晰的性别二态性和可预测的衰老过程，仍然是一个信息丰富的来源，现在可以通过现代机器学习的视角进行获取。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。