高聳　郝大鵬　馬文帥　任延德　段崇鋒　段峰

［摘要］ 目的 探討基于膝關節(jié)MRI T₁加權(quán)成像（T₁WI）深度學習模型的構(gòu)建方法，并應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歲男性膝關節(jié)MRI T₁WI圖像，經(jīng)過對股骨遠端和脛骨近端骨骺骺板進行標記和圖像分割后，采用隨機數(shù)字表法將內(nèi)部數(shù)據(jù)集各年齡組按照8∶2分為訓練組（971例）和驗證組（241例）用于模型的建立，外部數(shù)據(jù)集（測試組）用于模型的評價。通過準確率、精準率、召回率、靈敏度、特異度等指標來測試和驗證模型的性能。結(jié)果 驗證組的準確率為85.713%，精準率為84.732%，召回率為85.713%，特異度為97.729%，靈敏度為85.713%；而測試組的準確率為82.578%，精準率為83.145%，召回率為82.578%，特異度為97.442%，靈敏度為82.578%，驗證集和測試組的各項指標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節(jié)MRI T₁WI的深度學習模型，可應用于10～18歲青少年年齡的推斷。

［關鍵詞］ 膝關節(jié)；磁共振成像；法醫(yī)學；深度學習；骨骼年齡測定；青少年

［中圖分類號］ R445.2;R336

［文獻標志碼］ 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，將我國刑事責任能力相關年齡節(jié)點進行了下調(diào)，其中有12、14、16、18周歲這4個關鍵年齡節(jié)點。因此判定青少年的年齡，對刑事責任和民事行為能力的準確判定和量刑非常關鍵。如何簡單、快速、準確地判定青少年年齡，一直是法醫(yī)學領域研究的重要課題。MRI因為無電離輻射，成為推斷活體年齡的常用檢查方法^[1]。人體發(fā)育過程中，相較于其他關節(jié)（如腕關節(jié)），膝關節(jié)成熟年齡相對較晚，比較適合作為準確判定青少年年齡的依據(jù)。深度學習是一復雜機器學習算法，可以學習樣本數(shù)據(jù)內(nèi)在規(guī)律，在圖像識別方面有巨大優(yōu)勢，在人臉識別、性別鑒定等法醫(yī)學領域，以及肺結(jié)節(jié)的篩查和評估等疾病診斷學領域，都有比較成熟的應用^[2-9]。本研究擬將深度學習和膝關節(jié)MRI T₁加權(quán)成像（T₁WI）結(jié)合起來，建立深度學習模型，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例男性膝關節(jié)MRI T₁WI圖像。人員納入標準：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。排除標準：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，測試組）。采用隨機數(shù)字表法將內(nèi)部數(shù)據(jù)集各年齡段按照8∶2分為訓練組（971例）和驗證組（241例）。見表1。

1.2 研究方法

1.2.1 圖像預處理和標準化 對訓練組和驗證組的膝關節(jié)MRI T₁WI圖像進行圖像預處理和標準化，包括圖像重采樣、灰度值標準化、圖像對齊、噪聲去除、形態(tài)學處理等，使所有圖像的分辨率和對比度均相同。

1.2.2 圖像的標記和U-Net分割訓練 采用itk-SNAP軟件對訓練組每一層膝關節(jié)MRI T₁WI圖像中的興趣部位（股骨遠端骺板和脛骨近端骺板）進行標記，然后利用U-Net對圖像進行分割訓練，以達到U-Net能準確識別興趣部位的目的。

1.2.3 GoogLeNet的分類訓練 將訓練組的MRI T₁WI圖像和年齡通過端對端形式從U-Net輸出到GoogLeNet，進行分類訓練。在訓練過程中沒有凍結(jié)參數(shù)，對全部參數(shù)進行訓練。采用了損失函數(shù)交叉熵CrossEntropy并利用Adam優(yōu)化器進行訓練。學習率初始化為0.001，然后逐漸下降到0.000 3。Batch值設置為8。隨著訓練的進行，loss曲線逐漸收斂，當訓練200輪左右時，loss值達到最小，即模型訓練過程結(jié)束。

1.2.4 模型的驗證和測試 分別用驗證組和測試組數(shù)據(jù)對模型進行評價，采用五折交叉驗證的方式，計算兩組數(shù)據(jù)的整體準確率、精準率、召回率、靈敏度和特異度。

1.3 統(tǒng)計學分析

采用SPSS 26.0軟件對數(shù)據(jù)進行分析，利用方差齊性檢驗和獨立樣本t檢驗對驗證組數(shù)據(jù)和測試組數(shù)據(jù)進行差異性比較，以P>0.05為差異無統(tǒng)計學意義。

2 結(jié)果

驗證組和測試組各有10～18歲9組樣本，對模型進行五折交叉驗證以后分別得到45組數(shù)據(jù)，結(jié)果顯示，驗證組的整體準確率為85.713%，精準率為84.732%，召回率為85.713%，特異度為97.729%，靈敏度為85.713%；而測試組的整體準確率則為82.578%，精準率為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)的上述指標經(jīng)方差齊性檢驗為方差齊（P>0.05），獨立樣本t檢驗結(jié)果顯示，驗證組和測試組的上述指標比較差異均無統(tǒng)計學意義（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)學中，對青少年年齡推斷，主要參考的是干骺端的融合情況。研究顯示，沿海地區(qū)青少年膝關節(jié)和踝關節(jié)長骨干骺融合時間順序為腓骨遠端、脛骨遠端、腓骨近端、股骨遠端、脛骨近端，踝部長骨融合明顯早于膝部長骨融合。男性和女性的干骺端融合時間不同，男性要明顯晚于女性^[10]，故本研究只選取了男性的膝關節(jié)MRI T₁WI圖像作為研究對象。在常規(guī)膝關節(jié)MRI檢查中，會進行3種不同序列的掃描，分別是T₁WI、T₂WI和PDWI，3種序

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

針對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/腕關節(jié)X線正位片進行年齡推斷^[12]。然而，隨著年齡的增長，要想達到準確地骨齡推斷越來越難。國內(nèi)研究顯示膝關節(jié)、踝關節(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值^[13-17]。但是這些研究都是基于X線或CT進行的，青少年處于生長發(fā)育階段，X射線檢測對身體具有一定程度的輻射，而且目前影像學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。有研究應用三期評分系統(tǒng)依據(jù)膝關節(jié)MRI推斷青少年的年齡，結(jié)果顯示男性14、16、18歲年齡準確率分別為99.0%、98.3%、95.3%；女性14、16、18歲年齡的準確率分別為98.9%、94.7%、89.0%^[18]。宋娟等^[19]采用深度學習方法訓練并建立骨齡評估AI模型，另選2名兒童影像住院醫(yī)師人工測評驗證集骨齡，結(jié)果顯示，AI模型與參考金標準之間的平均絕對誤差（MAE）為（0.37±0.35）年，均方根誤差（RSME）為0.50年，完成1份骨齡評價報告用時為（4.58±0.91）s；2名醫(yī)師和AI模型評價的MAE、RSME差異均無統(tǒng)計學意義，但評價用時明顯長于AI。

本研究所建立的膝關節(jié)T₁WI推斷青少年年齡的預測模型是基于GoogLeNet進行訓練的。作為2014年ImageNet挑戰(zhàn)賽（ILSVRC14）的冠軍，GoogLeNet創(chuàng)新性地提出inception網(wǎng)絡結(jié)構(gòu)，能更高效地利用計算資源，在相同的計算量下，能提取到更多的圖像特征，從而提升訓練結(jié)果。經(jīng)過訓練組對模型進行訓練和驗證組對模型進行初步測試后，本研究又以外單位收集的數(shù)據(jù)作為外部測試集，對模型的穩(wěn)定性和泛化能力進行評價。驗證結(jié)果顯示，本模型對內(nèi)部數(shù)據(jù)集和外部數(shù)據(jù)集的測試結(jié)果均無統(tǒng)計學差異，即模型穩(wěn)定性好，泛化能力強。

和人為判斷年齡相比，本研究利用了深度學習卷積神經(jīng)網(wǎng)絡自主學習的能力，盡量去除了人為判斷的主觀因素，推斷年齡時更加精確、客觀，操作也更加簡便、快捷，節(jié)省人力和經(jīng)濟成本。

本研究也存在一定的局限性：①僅使用骨骺板一項參數(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)納入進來，作為年齡推斷模型數(shù)據(jù)一同訓練；②未測試其他的卷積神經(jīng)網(wǎng)絡；③考慮到不同飲食、環(huán)境對成長發(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，本研究利用膝關節(jié)MRI T₁WI建立了推斷青少年年齡的深度學習模型，經(jīng)過外部數(shù)據(jù)集測試證實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。

倫理批準和知情同意：本研究涉及的所有試驗均已通過青島大學附屬醫(yī)院醫(yī)學倫理委員會的審核批準（文件號QDFYWZLL27707）。所有試驗過程均遵照《人體醫(yī)學研究的倫理準則》 的條例進行。受試對象或其親屬已經(jīng)簽署知情同意書。

作者聲明：高聳、郝大鵬、段峰參與了研究設計；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］

[1]魯婷，范飛，施蕾，等. MRI在法醫(yī)學活體年齡推斷中的研究進展[J]. 法醫(yī)學雜志， 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. 計算機輔助法醫(yī)影像學骨骼個體識別的研究進展[J]. 法醫(yī)學雜志， 2021，37（2）：239-247.

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

[7]馮妍妍，魏德健，倪偉. 深度學習在肺結(jié)節(jié)輔助診斷中的應用[J]. 計算機工程與應用， 2022，58（18）：59-70.

[8]張軍，黃勇，黃曉雨，等. 基于深度學習的食管癌腫瘤靶區(qū)自動勾畫臨床價值研究[J]. 腫瘤預防與治療， 2022，35（4）：334-340.

[9]邢珍珍，顏立祥，張麟華. 基于深度學習的2D/3D圖像配準方法在脊柱微創(chuàng)導航手術(shù)中的應用[J]. 護理研究， 2022，36（9）：1631-1636.

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

[11]彭釗，范飛，李真林，等. 應用膝關節(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，應充亮，等. 青少年膝、踝關節(jié)骨骺閉合趨勢與骨齡鑒定[J]. 法醫(yī)學雜志， 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)科大學學報， 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. 應用膝關節(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， 2021.

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

（本文編輯 耿波 厲建強）