تخمین دقیق سن اسکلتی (Skeletal Age - SA) در افراد زیر ۱۸ سال، برای تصمیم‌گیری‌های حیاتی بالینی مانند زمان‌بندی مداخلات ارتوپدی و پیش‌بینی رشد، ضروری است. روش‌های سنتی مبتنی بر اطلس‌ها (مانند گِرولیچ و پایْل) زمان‌بر بوده و مستعد خطای انسانی هستند . این پژوهش به ارزیابی و مقایسه عملکرد مدل‌های نوین هوش مصنوعی (AI)، به طور خاص شبکه‌های عصبی عمیق (Deep Neural Networks - DNNs)، در تخمین خودکار سن اسکلتی از تصاویر رادیولوژی دست و گردن می‌پردازد. عملکرد مدل‌های مبتنی بر شبکه‌های کانولوشنی (CNN ) را در برابر روش‌های استاندارد دستی، با تمرکز بر معیارهایی چون میانگین خطای مطلق (MAE) و دقت در گروه‌های سنی مختلف، مقایسه می شود. نتایج اولیه نشان می‌دهد که مدل‌های DNN پتانسیل دستیابی به دقت بالاتری با MAE کمتر از .۸ سال دارند و می‌توانند فرآیند تشخیص را به طور قابل توجهی تسریع بخشند. این مطالعه بر لزوم اعتبارسنجی این مدل‌ها بر روی مجموعه داده‌های محلی و متنوع تأکید می‌کند تا به عنوان یک ابزار قوی در اختیار متخصصان بالینی قرار گیرند.

سن اسکلتی هوش مصنوعی یادگیری عمیق شبکه‌های عصبی کانولوشنی رادیولوژی کودکان تخمین سن.