摘要目的 探讨适用于我国汉族青少年儿童肘关节X线图像的深度学习骨龄自动推断模型,并评估其性能.方法 采集我国华东、华南、华中、西北地区6.00～<16.00周岁汉族青少年儿童肘关节正位X线图像943例(男性517例,女性426例),采用3种实验方案(方案一:将预处理后的上述图像直接输入回归模型;方案二:以"肘关节重点骨骼标注"作为标签训练分割网络,将分割后的图像输入回归模型;方案三:以"肘关节全部骨骼标注"作为标签训练分割网络,将分割后的图像输入回归模型)进行肘关节X线骨龄预测.针对分割任务,从U-Net、UNet++和TransUNet中遴选出最优网络模型作为分割网络;针对回归任务,选择VGG16、VGG19、InceptionV2、InceptionV3、ResNet34、ResNet50、ResNet101和DenseNet121模型进行骨龄预测.采用随机抽样的方法抽取80%样本(754例)作为训练集和验证集,用于模型拟合和超参数的调整;20%(189例)作为内部测试集,用于测试训练后模型性能.另采集104例同源6.00～<16.00周岁汉族青少年儿童肘关节正位X线图像作为外部测试集.通过比较模型预测年龄与真实生活年龄之间的平均绝对误差(mean absolute error,MAE)、均方根误差(root mean square error,RMSE)、±0.7岁的准确率(P±0.7岁)、±1.0岁的准确率(P±1.0岁),并绘制雷达图、散点图、热力图评估模型的性能.结果 按照方案三的方法进行分割时,UNet++模型在学习率为0.000 1时的分割损失为0.000 4,准确率为93.8%,模型分割性能优异.在内部测试集中,DenseNet121模型采用该分割方法的模型预测结果最优,MAE、P±0.7岁、P±1.0岁分别为0.83岁、70.03%、84.30%.在外部测试集中,DenseNet121模型采用方案三的结果最优,平均MAE为0.89岁、平均RMSE为1.00岁.结论 对青少年儿童肘关节X线图像进行骨龄自动推断时,分割网络推荐使用UNet++模型,DenseNet121模型在采用方案三时的性能最优.使用分割网络,特别是以包括肱骨远端、桡骨近端、尺骨近端全部肘关节作为标注区域的分割网络能提高肘关节X线骨龄推断的准确性.