موسسه آموزش عالی آپادانا فصلنامه پیشرفت های مهندسی در حوزه پزشکی و مواد - 1 4 2026 02 08 Evaluation and Comparison of Artificial Intelligence and Deep Neural Network-Based Methods in Skeletal Age Estimation from Pediatric and Adolescent Radiological Images ارزیابی و مقایسه عملکرد روش‌های مبتنی بر هوش مصنوعی و شبکه‌های عصبی عمیق در تخمین سن اسکلتی از تصاویر رادیولوژی کودکان و نوجوانان 14 19 10.22051/jera.2021.31891.2698 FA الهام الهام سیمکانی،گروه مهندسی پزشکی ،دانشگاه آزاد اسلامی ،تهران جنوب ،ایران 2026 02 04 Accurate estimation of Skeletal Age (SA) in individuals under 18 years old is crucial for vital clinical decisions, such as timing orthopedic interventions and growth prediction. Traditional atlas-based methods (e.g., Greulich and Pyle) are time-consuming and prone to human error . This study aims to evaluate and compare the performance of modern Artificial Intelligence (AI) models, specifically Deep Neural Networks (DNNs), in the automated estimation of skeletal age from hand and cervical radiographs. This study was compared the performance of Convolutional Neural Network (CNN)-based models against standard manual assessment, focusing on metrics such as Mean Absolute Error (MAE) and accuracy across different age groups. Preliminary results indicate that DNN models have the potential to achieve higher accuracy with an MAE below 8 years [2], significantly accelerating the diagnostic process. This research underscores the necessity of validating these models on diverse, localized datasets to establish them as robust tools for clinical practitioners. 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. /downloadfilepdf/231514