Artificial Intelligence-Based Models for Automated Bone Age Assessment from Posteroanterior Wrist X-Rays: A Systematic Review
Notice bibliographique
Résumé
Introduction: Bone-age assessment using posteroanterior left hand–wrist radiographs is indispensable in pediatric endocrinology and forensic age determination. Traditional methods—Greulich–Pyle atlas and Tanner–Whitehouse scoring—are time-consuming, operator-dependent, and prone to inter- and intra-observer variability. Aim: To systematically review the performance of AI-based models for automated bone-age estimation from left PA hand–wrist radiographs. Materials and Methods: A systematic review was carried out and previously registered in PROSPERO (CRD42024619808) in MEDLINE (PubMed), Google Scholar, ELSEVIER (Scopus), EBSCOhost, Cochrane Library, Web of Science (WoS), IEEE Xplore, and ProQuest for original studies published between 2019 and 2024. Two independent reviewers extracted study characteristics and outcomes, assessed methodological quality via the Newcastle–Ottawa Scale, and evaluated bias using ROBINS-E. Results: Seventy-seven studies met inclusion criteria, encompassing convolutional neural networks, ensemble and hybrid models, and transfer-learning approaches. Commercial systems (e.g., BoneXpert®, Physis®, VUNO Med®-BoneAge) achieved mean absolute errors of 2–31.8 months—significantly surpassing Greulich–Pyle and Tanner–Whitehouse benchmarks—and reduced reading times by up to 87%. Common limitations included demographic bias, heterogeneous imaging protocols, and scarce external validation. Conclusions: AI-based approaches have substantially advanced automated bone-age estimation, delivering clinical-grade speed and mean absolute errors below 6 months. To ensure equitable, generalizable performance, future work must prioritize demographically diverse training cohorts, implement bias-mitigation strategies, and perform local calibration against region-specific standards.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,014 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».