高聳　郝大鵬　馬文帥　任延德　段崇鋒　段峰

［摘要］ 目的 探討基于膝關(guān)節(jié)MRI T₁加權(quán)成像（T₁WI）深度學(xué)習(xí)模型的構(gòu)建方法，并應(yīng)用該模型推斷青少年的年齡。方法 收集2015年1月—2021年12月青島大學(xué)附屬醫(yī)院1 212例（內(nèi)部數(shù)據(jù)集）及青島市市立醫(yī)院341例（外部數(shù)據(jù)集）10～18歲男性膝關(guān)節(jié)MRI T₁WI圖像，經(jīng)過對(duì)股骨遠(yuǎn)端和脛骨近端骨骺骺板進(jìn)行標(biāo)記和圖像分割后，采用隨機(jī)數(shù)字表法將內(nèi)部數(shù)據(jù)集各年齡組按照8∶2分為訓(xùn)練組（971例）和驗(yàn)證組（241例）用于模型的建立，外部數(shù)據(jù)集（測(cè)試組）用于模型的評(píng)價(jià)。通過準(zhǔn)確率、精準(zhǔn)率、召回率、靈敏度、特異度等指標(biāo)來測(cè)試和驗(yàn)證模型的性能。結(jié)果 驗(yàn)證組的準(zhǔn)確率為85.713%，精準(zhǔn)率為84.732%，召回率為85.713%，特異度為97.729%，靈敏度為85.713%；而測(cè)試組的準(zhǔn)確率為82.578%，精準(zhǔn)率為83.145%，召回率為82.578%，特異度為97.442%，靈敏度為82.578%，驗(yàn)證集和測(cè)試組的各項(xiàng)指標(biāo)比較差異均無顯著性（P>0.05）。結(jié)論 本研究成功建立了基于膝關(guān)節(jié)MRI T₁WI的深度學(xué)習(xí)模型，可應(yīng)用于10～18歲青少年年齡的推斷。

［關(guān)鍵詞］ 膝關(guān)節(jié)；磁共振成像；法醫(yī)學(xué)；深度學(xué)習(xí)；骨骼年齡測(cè)定；青少年

［中圖分類號(hào)］ R445.2;R336

［文獻(xiàn)標(biāo)志碼］ A

DEEP LEARNING MODELING USING T₁-WEIGHTED IMAGES IN MAGNETIC RESONANCE IMAGING OF THE KNEE JOINTS AND ITS USE IN AGE ESTIMATION OF LIVING BODIES? ＼ GAO Song， HAO Dapeng， MA Wenshuai， REN Yande， DUAN Chongfeng， DUAN Feng （School of Basic Medicine， Qingdao University， Qingdao 266071， China）

［ABSTRACT］ Objective To discuss deep learning modeling using T₁-weighted images （T₁WI） in magnetic resonance imaging （MRI） of the knee joints and its use in age estimation of adolescents. Methods The T₁WI of the knee joints were collected from 1 212 male patients aged 10-18 years who were admitted to The Affiliated Hospital of Qingdao University from January 2015 to December 2021 （internal data set） and 341 male patients of the same ages who were admitted to Qingdao Municipal Hospital during the same period （external data set）. After labeling and image segmentation of the epiphyseal plates of the distal femurs and proximal tibiae， the internal data set was divided into training group （971 cases） and validation group （241 cases） at a ratio of 8∶2 according to their age groups using a random number table for modeling， and the external data set （test group） was used for model evaluation. The performance of the model was tested and validated based on accuracy， precision， recall rate， sensitivity， and specificity. Results The accuracy， precision， recall rate， specificity， and sensitivity of the validation group were 85.713%， 84.732%， 85.713%， 97.729%， and 85.713%， respectively; the same indicators of the test group were 82.578%， 83.145%， 82.578%， 97.442%， and 82.578%， respectively. There were no significant differences in the above indicators between the validation group and the test group （P>0.05）. Conclusion A deep learning model based on the T₁WI of the knee joints is successfully constructed， and it can be used for age estimation of adolescents aged 10-18 years.

［KEY WORDS］ Knee joint; Magnetic resonance imaging; Forensic medicine; Deep learning; Age determination by skeleton; Adolescent

在《中華人民共和國刑法修正案（十一）》中，將我國刑事責(zé)任能力相關(guān)年齡節(jié)點(diǎn)進(jìn)行了下調(diào)，其中有12、14、16、18周歲這4個(gè)關(guān)鍵年齡節(jié)點(diǎn)。因此判定青少年的年齡，對(duì)刑事責(zé)任和民事行為能力的準(zhǔn)確判定和量刑非常關(guān)鍵。如何簡(jiǎn)單、快速、準(zhǔn)確地判定青少年年齡，一直是法醫(yī)學(xué)領(lǐng)域研究的重要課題。MRI因?yàn)闊o電離輻射，成為推斷活體年齡的常用檢查方法^[1]。人體發(fā)育過程中，相較于其他關(guān)節(jié)（如腕關(guān)節(jié)），膝關(guān)節(jié)成熟年齡相對(duì)較晚，比較適合作為準(zhǔn)確判定青少年年齡的依據(jù)。深度學(xué)習(xí)是一復(fù)雜機(jī)器學(xué)習(xí)算法，可以學(xué)習(xí)樣本數(shù)據(jù)內(nèi)在規(guī)律，在圖像識(shí)別方面有巨大優(yōu)勢(shì)，在人臉識(shí)別、性別鑒定等法醫(yī)學(xué)領(lǐng)域，以及肺結(jié)節(jié)的篩查和評(píng)估等疾病診斷學(xué)領(lǐng)域，都有比較成熟的應(yīng)用^[2-9]。本研究擬將深度學(xué)習(xí)和膝關(guān)節(jié)MRI T₁加權(quán)成像（T₁WI）結(jié)合起來，建立深度學(xué)習(xí)模型，旨在用以輔助推斷青少年的年齡。

1 資料和方法

1.1 研究資料

收集2015年1月—2021年12月青島大學(xué)附屬醫(yī)院和青島市市立醫(yī)院的10～18歲1 553例男性膝關(guān)節(jié)MRI T₁WI圖像。人員納入標(biāo)準(zhǔn)：①膠東半島地區(qū)漢族人群；②圖像清晰，無偽影，符合臨床診斷要求者。排除標(biāo)準(zhǔn)：①有影響骨骺發(fā)育的疾病或外傷史者；②有激素藥物使用史者；③膝關(guān)節(jié)部位存在解剖變異者。

將全部數(shù)據(jù)按照來源不同分為內(nèi)部數(shù)據(jù)集（青島大學(xué)附屬醫(yī)院1 212例）和外部數(shù)據(jù)集（青島市市立醫(yī)院341例，測(cè)試組）。采用隨機(jī)數(shù)字表法將內(nèi)部數(shù)據(jù)集各年齡段按照8∶2分為訓(xùn)練組（971例）和驗(yàn)證組（241例）。見表1。

1.2 研究方法

1.2.1 圖像預(yù)處理和標(biāo)準(zhǔn)化 對(duì)訓(xùn)練組和驗(yàn)證組的膝關(guān)節(jié)MRI T₁WI圖像進(jìn)行圖像預(yù)處理和標(biāo)準(zhǔn)化，包括圖像重采樣、灰度值標(biāo)準(zhǔn)化、圖像對(duì)齊、噪聲去除、形態(tài)學(xué)處理等，使所有圖像的分辨率和對(duì)比度均相同。

1.2.2 圖像的標(biāo)記和U-Net分割訓(xùn)練 采用itk-SNAP軟件對(duì)訓(xùn)練組每一層膝關(guān)節(jié)MRI T₁WI圖像中的興趣部位（股骨遠(yuǎn)端骺板和脛骨近端骺板）進(jìn)行標(biāo)記，然后利用U-Net對(duì)圖像進(jìn)行分割訓(xùn)練，以達(dá)到U-Net能準(zhǔn)確識(shí)別興趣部位的目的。

1.2.3 GoogLeNet的分類訓(xùn)練 將訓(xùn)練組的MRI T₁WI圖像和年齡通過端對(duì)端形式從U-Net輸出到GoogLeNet，進(jìn)行分類訓(xùn)練。在訓(xùn)練過程中沒有凍結(jié)參數(shù)，對(duì)全部參數(shù)進(jìn)行訓(xùn)練。采用了損失函數(shù)交叉熵CrossEntropy并利用Adam優(yōu)化器進(jìn)行訓(xùn)練。學(xué)習(xí)率初始化為0.001，然后逐漸下降到0.000 3。Batch值設(shè)置為8。隨著訓(xùn)練的進(jìn)行，loss曲線逐漸收斂，當(dāng)訓(xùn)練200輪左右時(shí)，loss值達(dá)到最小，即模型訓(xùn)練過程結(jié)束。

1.2.4 模型的驗(yàn)證和測(cè)試 分別用驗(yàn)證組和測(cè)試組數(shù)據(jù)對(duì)模型進(jìn)行評(píng)價(jià)，采用五折交叉驗(yàn)證的方式，計(jì)算兩組數(shù)據(jù)的整體準(zhǔn)確率、精準(zhǔn)率、召回率、靈敏度和特異度。

1.3 統(tǒng)計(jì)學(xué)分析

采用SPSS 26.0軟件對(duì)數(shù)據(jù)進(jìn)行分析，利用方差齊性檢驗(yàn)和獨(dú)立樣本t檢驗(yàn)對(duì)驗(yàn)證組數(shù)據(jù)和測(cè)試組數(shù)據(jù)進(jìn)行差異性比較，以P>0.05為差異無統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

驗(yàn)證組和測(cè)試組各有10～18歲9組樣本，對(duì)模型進(jìn)行五折交叉驗(yàn)證以后分別得到45組數(shù)據(jù)，結(jié)果顯示，驗(yàn)證組的整體準(zhǔn)確率為85.713%，精準(zhǔn)率為84.732%，召回率為85.713%，特異度為97.729%，靈敏度為85.713%；而測(cè)試組的整體準(zhǔn)確率則為82.578%，精準(zhǔn)率為83.145%，召回率為82.578%，特異度為97.442%，靈敏度為82.578%。兩組數(shù)據(jù)的上述指標(biāo)經(jīng)方差齊性檢驗(yàn)為方差齊（P>0.05），獨(dú)立樣本t檢驗(yàn)結(jié)果顯示，驗(yàn)證組和測(cè)試組的上述指標(biāo)比較差異均無統(tǒng)計(jì)學(xué)意義（P>0.05），具體結(jié)果見表2，受試者工作特性曲線（ROC）見圖1。

3 討論

在法醫(yī)學(xué)中，對(duì)青少年年齡推斷，主要參考的是干骺端的融合情況。研究顯示，沿海地區(qū)青少年膝關(guān)節(jié)和踝關(guān)節(jié)長(zhǎng)骨干骺融合時(shí)間順序?yàn)殡韫沁h(yuǎn)端、脛骨遠(yuǎn)端、腓骨近端、股骨遠(yuǎn)端、脛骨近端，踝部長(zhǎng)骨融合明顯早于膝部長(zhǎng)骨融合。男性和女性的干骺端融合時(shí)間不同，男性要明顯晚于女性^[10]，故本研究只選取了男性的膝關(guān)節(jié)MRI T₁WI圖像作為研究對(duì)象。在常規(guī)膝關(guān)節(jié)MRI檢查中，會(huì)進(jìn)行3種不同序列的掃描，分別是T₁WI、T₂WI和PDWI，3種序

A、B、C、D、E分別是驗(yàn)證組五折交叉驗(yàn)證的ROC，F(xiàn)、G、H、I、J分別為測(cè)試組五折交叉驗(yàn)證的ROC列對(duì)于不同組織的顯示各有特點(diǎn)。彭釗等^[11]研究顯示，T₁WI與年齡的相關(guān)性最好，其次為PDWI、T₂WI，3種序列與年齡的相關(guān)性男性高于女性。因此本研究采用男性膝關(guān)節(jié)MRI T₁WI圖像作為研究對(duì)象。

針對(duì)7～12歲的兒童，通常使用格雷里奇和派爾方法或坦納-懷特豪斯方法以左手/腕關(guān)節(jié)X線正位片進(jìn)行年齡推斷^[12]。然而，隨著年齡的增長(zhǎng)，要想達(dá)到準(zhǔn)確地骨齡推斷越來越難。國內(nèi)研究顯示膝關(guān)節(jié)、踝關(guān)節(jié)、鎖骨胸骨端、髂骨耳狀面與坐骨結(jié)節(jié)等部位在年齡推斷中具有一定價(jià)值^[13-17]。但是這些研究都是基于X線或CT進(jìn)行的，青少年處于生長(zhǎng)發(fā)育階段，X射線檢測(cè)對(duì)身體具有一定程度的輻射，而且目前影像學(xué)檢查手段也一直在不斷飛速發(fā)展，MRI檢查越來越普遍，而且沒有電離輻射。有研究應(yīng)用三期評(píng)分系統(tǒng)依據(jù)膝關(guān)節(jié)MRI推斷青少年的年齡，結(jié)果顯示男性14、16、18歲年齡準(zhǔn)確率分別為99.0%、98.3%、95.3%；女性14、16、18歲年齡的準(zhǔn)確率分別為98.9%、94.7%、89.0%^[18]。宋娟等^[19]采用深度學(xué)習(xí)方法訓(xùn)練并建立骨齡評(píng)估AI模型，另選2名兒童影像住院醫(yī)師人工測(cè)評(píng)驗(yàn)證集骨齡，結(jié)果顯示，AI模型與參考金標(biāo)準(zhǔn)之間的平均絕對(duì)誤差（MAE）為（0.37±0.35）年，均方根誤差（RSME）為0.50年，完成1份骨齡評(píng)價(jià)報(bào)告用時(shí)為（4.58±0.91）s；2名醫(yī)師和AI模型評(píng)價(jià)的MAE、RSME差異均無統(tǒng)計(jì)學(xué)意義，但評(píng)價(jià)用時(shí)明顯長(zhǎng)于AI。

本研究所建立的膝關(guān)節(jié)T₁WI推斷青少年年齡的預(yù)測(cè)模型是基于GoogLeNet進(jìn)行訓(xùn)練的。作為2014年ImageNet挑戰(zhàn)賽（ILSVRC14）的冠軍，GoogLeNet創(chuàng)新性地提出inception網(wǎng)絡(luò)結(jié)構(gòu)，能更高效地利用計(jì)算資源，在相同的計(jì)算量下，能提取到更多的圖像特征，從而提升訓(xùn)練結(jié)果。經(jīng)過訓(xùn)練組對(duì)模型進(jìn)行訓(xùn)練和驗(yàn)證組對(duì)模型進(jìn)行初步測(cè)試后，本研究又以外單位收集的數(shù)據(jù)作為外部測(cè)試集，對(duì)模型的穩(wěn)定性和泛化能力進(jìn)行評(píng)價(jià)。驗(yàn)證結(jié)果顯示，本模型對(duì)內(nèi)部數(shù)據(jù)集和外部數(shù)據(jù)集的測(cè)試結(jié)果均無統(tǒng)計(jì)學(xué)差異，即模型穩(wěn)定性好，泛化能力強(qiáng)。

和人為判斷年齡相比，本研究利用了深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)自主學(xué)習(xí)的能力，盡量去除了人為判斷的主觀因素，推斷年齡時(shí)更加精確、客觀，操作也更加簡(jiǎn)便、快捷，節(jié)省人力和經(jīng)濟(jì)成本。

本研究也存在一定的局限性：①僅使用骨骺板一項(xiàng)參數(shù)判斷年齡，未把身高、體質(zhì)量、體質(zhì)量指數(shù)等數(shù)據(jù)納入進(jìn)來，作為年齡推斷模型數(shù)據(jù)一同訓(xùn)練；②未測(cè)試其他的卷積神經(jīng)網(wǎng)絡(luò)；③考慮到不同飲食、環(huán)境對(duì)成長(zhǎng)發(fā)育的影響，此模型可能僅適用于青島地區(qū)人群。

綜上所述，本研究利用膝關(guān)節(jié)MRI T₁WI建立了推斷青少年年齡的深度學(xué)習(xí)模型，經(jīng)過外部數(shù)據(jù)集測(cè)試證實(shí)了該模型具有推斷青少年年齡的能力，為青少年年齡的推斷提供了新的思路。

倫理批準(zhǔn)和知情同意：本研究涉及的所有試驗(yàn)均已通過青島大學(xué)附屬醫(yī)院醫(yī)學(xué)倫理委員會(huì)的審核批準(zhǔn)（文件號(hào)QDFYWZLL27707）。所有試驗(yàn)過程均遵照《人體醫(yī)學(xué)研究的倫理準(zhǔn)則》 的條例進(jìn)行。受試對(duì)象或其親屬已經(jīng)簽署知情同意書。

作者聲明：高聳、郝大鵬、段峰參與了研究設(shè)計(jì)；高聳、段峰、馬文帥、段崇鋒、任延德參與了論文的寫作和修改，且均閱讀并同意發(fā)表該論文，且均聲明不存在利益沖突。

［參考文獻(xiàn)］

[1]魯婷，范飛，施蕾，等. MRI在法醫(yī)學(xué)活體年齡推斷中的研究進(jìn)展[J]. 法醫(yī)學(xué)雜志， 2020，36（4）：549-558. [2]PHAN N N， CHATTOPADHYAY A， LEE T T， et al. High-performance deep learning pipeline predicts individuals in mixtures of DNA using sequencing data[J]. Brief Bioinform， 2021，22（6）：bbab283.

[3]FUKUTA M， KATO C， BIWASAKA H， et al. Sex estimation of the pelvis by deep learning of two-dimensional depth images generated from homologous models of three-dimensio-nal computed tomography images[J]. Forensic Sci Int， 2020，2：100129.

[4]NGUYEN X H， TRAN T S， LE V T， et al. Learning Spatio-temporal features to detect manipulated facial videos created by the Deepfake techniques[J]. Forensic Sci Int， 2021，36：301108.

[5]李媛，趙歡，梁偉波，等. 計(jì)算機(jī)輔助法醫(yī)影像學(xué)骨骼個(gè)體識(shí)別的研究進(jìn)展[J]. 法醫(yī)學(xué)雜志， 2021，37（2）：239-247.

[6]黎智輝，謝蘭遲，王桂強(qiáng)，等. 基于人臉特征相似度分?jǐn)?shù)似然比的人臉比對(duì)方法[J]. 刑事技術(shù)， 2019，44（1）：1-8.

[7]馮妍妍，魏德健，倪偉. 深度學(xué)習(xí)在肺結(jié)節(jié)輔助診斷中的應(yīng)用[J]. 計(jì)算機(jī)工程與應(yīng)用， 2022，58（18）：59-70.

[8]張軍，黃勇，黃曉雨，等. 基于深度學(xué)習(xí)的食管癌腫瘤靶區(qū)自動(dòng)勾畫臨床價(jià)值研究[J]. 腫瘤預(yù)防與治療， 2022，35（4）：334-340.

[9]邢珍珍，顏立祥，張麟華. 基于深度學(xué)習(xí)的2D/3D圖像配準(zhǔn)方法在脊柱微創(chuàng)導(dǎo)航手術(shù)中的應(yīng)用[J]. 護(hù)理研究， 2022，36（9）：1631-1636.

[10]潘英華，董建軍，劉豐春. 煙臺(tái)地區(qū)青少年膝、踝部長(zhǎng)骨干骺融合的研究[J]. 中國保健， 2007，15（8）：12-13.

[11]彭釗，范飛，李真林，等. 應(yīng)用膝關(guān)節(jié)三種磁共振加權(quán)像推斷年齡[J]. 刑事技術(shù)， 2020，45（5）：491-496.

[12]ZABIHOLLAHY F， SCHIEDA N， KRISHNA JEYARAJ S， et al. Automated segmentation of prostate zonal anatomy on T2-weighted （T2W） and apparent diffusion coefficient （ADC） map MR images using U-Nets[J]. Med Phys， 2019，46（7）：3078-3090.

[13]王亞輝，朱廣友，應(yīng)充亮，等. 青少年膝、踝關(guān)節(jié)骨骺閉合趨勢(shì)與骨齡鑒定[J]. 法醫(yī)學(xué)雜志， 2010，26（2）：91-96.

[14]李明，楊小城，宋若冰，等. 男性第四肋軟骨和肋骨胸骨端形態(tài)推斷年齡的研究[J]. 中國法醫(yī)學(xué)雜志， 2021，36（4）：379-381.

[15]張繼宗，李衛(wèi)平. 髂骨耳狀面的年齡變化[J]. 刑事技術(shù)， 1988（3）：25-26.

[16]阿不都吉里力·阿不都克里木，李學(xué)剛，成建定，等. 男性青少年骨盆X線片骨骺融合增齡性變化的初步觀察[J]. 新疆醫(yī)科大學(xué)學(xué)報(bào)， 2010，33（8）：947-949.

[17]LU T， SHI L， ZHAN M J， et al. Age estimation based on magnetic resonance imaging of the ankle joint in a modern Chinese Han population[J]. Int J Leg Med， 2020，134（5）：1843-1852.

[18]鐘鑫. 應(yīng)用膝關(guān)節(jié)磁共振T1加權(quán)像和PD加權(quán)像推斷活體年齡[D]. 青島：青島大學(xué)， 2021.

[19]宋娟，宮平，高暢，等. 基于深度學(xué)習(xí)的兒童骨齡智能評(píng)估模型構(gòu)建及初步臨床驗(yàn)證[J]. 中華放射學(xué)雜志， 2019，53（11）：974-978.

（本文編輯 耿波 厲建強(qiáng)）