建立队列与数据收集
收集初潮后女孩的临床和影像数据，以建立用于身高预测模型开发的队列。
回顾性纳入2018年8月至2023年6月在上海儿童医学中心内分泌科就诊的初潮后3个月内女孩，排除有生长激素、GnRHa或AI治疗史及其他疾病者，共173人。测量初潮时身高和父母身高，并获取左手腕及左膝正位DR影像。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
初潮女孩的最终身高预测：结合左手腕骨龄、膝关节影像组学评分和临床特征的联合模型
Final height prediction of girls at menarche: a combined model using left hand and wrist bone age, knee radiomic scores, and clinical characteristics
实验完整度
中文献包含回顾性队列、影像组学特征提取、LASSO回归和逐步OLS建模，并通过交叉验证与Bland-Altman分析比较传统方法；缺乏独立外部验证。
主要模型
初潮后女孩队列（173例） 左膝关节DR影像
重点核对
初潮后3个月内就诊的女生队列，排除有GH、GnRHa或AI治疗史者 骨龄评估由两位内分泌专科医师独立进行，取均值（GP和PH图谱） 影像组学特征提取中ROI勾画（股骨远端和胫骨近端）及ICC > 0.8的重复性阈值 逐步线性回归模型纳入初潮时身高、GP骨龄、股骨远端影像组学评分和父亲身高 五折交叉验证（CV=5）评估模型性能
摘要
背景：准确预测初潮女孩的最终身高非常重要，但基于左手腕骨龄（BA）和目标身高的传统Greulich–Pyle（GP）和Bayley–Pinneau预测方法准确性有限。本研究旨在开发一种更准确地预测最终身高的方法。方法：回顾性分析了2018年8月至2023年6月期间的173名初潮女孩。评估了Greulich和Pyle及Hoerr膝关节图谱的骨龄。使用PyRadiomics提取膝关节影像组学特征；使用最小绝对收缩和选择算子回归开发股骨远端和胫骨近端的影像组学评分。使用逐步选择的普通最小二乘回归构建多元线性方程。并通过五折交叉验证（CV=5）中的残差分布和Bland–Altman一致性分析进一步与传统方法进行比较。结果：我们中国队列中初潮后的身高增长为8.94±2.99厘米。建立了包含初潮时身高、GP骨龄和股骨远端影像组学评分的逐步多元线性方程（R²=0.733，F统计量=115.1，P<0.05）。与传统方法相比，多元线性方程显示出最低的残差（残差范围：-5.677厘米至+6.444厘米）和最佳的Bland-Altman一致性（平均差异：-0.01厘米，95%一致性界限：-3.96至+3.93厘米）。结论：在我们的队列中，结合膝关节影像组学评分、GP骨龄、初潮时身高和父亲身高的稳健线性回归模型展示了最佳的最终身高预测。这项研究是股骨远端影像组学评分在最终身高预测中的创新应用。需要进一步验证以测试在不同人群和场景中的稳健性。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 如何利用膝关节DR影像组学评分结合临床特征更准确地预测初潮女孩的最终身高？
- 核心机制
- 股骨远端骨骺的影像组学特征可能捕捉传统骨龄评估无法检测的细微成熟模式，从而补充GP骨龄和临床特征以改善身高预测。
- 主要证据
- 基于173名初潮女孩的回顾性队列，通过LASSO构建股骨远端影像组学评分，逐步回归建立OLS方程，其R²=0.733，交叉验证RMSE=2.01 cm，优于传统GP-BP方法。
- 研究意义
- 本研究首次将膝关节DR影像组学评分整合到最终身高预测中，为临床提供更客观、可行且准确的身高预测工具，有望减少对主观骨龄评估的依赖。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
骨龄评估
评估左手腕和左膝的骨龄，为传统身高预测方法提供基础。
由两位资深儿科内分泌医生独立使用GP图谱评估左手腕骨龄，使用PH图谱评估左膝骨龄，取均值进行分析。同时采用Bayley–Pinneau方法进行传统最终身高预测。
影像组学评分构建
基于左膝DR影像的股骨远端和胫骨近端ROI开发影像组学评分，作为最终身高预测的客观定量指标。
在左膝DR图像上手动勾画股骨远端和胫骨近端骨骺ROI，使用PyRadiomics提取影像组学特征，通过ICC>0.8的可重复性筛选、方差阈值、SelectKBest和LASSO回归逐步降维，最终构建两个部位各自的影像组学评分公式。
最终身高预测模型构建
整合临床特征、骨龄和影像组学评分，构建并优化最终身高预测的线性回归方程。
以最终身高为因变量，采用逐步选择算法（进入α=0.05，剔除α=0.10）从候选变量（父亲身高、母亲身高、初潮时身高、GP骨龄、PH骨龄、股骨远端和胫骨近端影像组学评分）中筛选预测因子，构建OLS方程，并比较不同方程的性能。
模型性能评估与比较
评估新模型和传统方法在最终身高预测中的准确性和一致性。
采用五折交叉验证（CV=5）评估三个OLS模型及传统方法（PH-BP、GP-BP、目标身高）的预测性能，比较残差、RMSE、R²、Bland-Altman一致性等指标。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 身高测量 | Seca 274身高计 | Seca | -- |
| ROI勾画 | Labelme（版本5.4.1） | -- | -- |
| 影像组学特征提取 | PyRadiomics（版本3.0.1） | -- | -- |
| 统计分析 | Python（版本3.10.11） | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 研究对象纳入 | 初潮后3个月内的女孩；排除标准：GH、GnRHa或AI治疗史，其他内分泌或系统疾病，无法获得最终身高 阅读提示：Methods: Study population |
| 骨龄评估 | GP和PH骨龄评估者；两个图谱的评估方法 阅读提示：Methods: Bone age assessment |
| 影像组学特征提取 | ROI勾画者；ICC阈值（>0.8）；特征选择方法（方差阈值、SelectKBest、LASSO） 阅读提示：Methods: Construction of radiomic scores |
| 模型构建 | 逐步回归的进入和剔除α值（0.05和0.10）；候选变量列表 阅读提示：Methods: Ordinary least squares regression |
| 模型评估 | 五折交叉验证设置；比较方法（OLS方程1-3、PH-BP、GP-BP、目标身高） 阅读提示：Methods: Statistical analysis; Results: Prediction of final height |