ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В ДЕТСКОЙ ЭНДОКРИНОЛОГИИ: РАЗРАБОТКА И КЛИНИЧЕСКАЯ ВАЛИДАЦИЯ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ОЦЕНКИ КОСТНОГО ВОЗРАСТА

Authors

  • Шахноза Бахтияровна Каланходжаева PhD, с.н.с. и директор учебного центра учебный центр, республиканский специализированный научно-практический медицинский центр эндокринологии им. акад. Ё.Х. Туракулова, Ташкент, Узбекистан https://orcid.org/0000-0003-2809-9834
  • Насиба Усмановна Алимова PhD, с.н.с. и заведующая лабораторией детской эндокринологии лаборатория детской эндокринологии, Республиканский специализированный научнопрактический медицинский центр эндокринологии им. акад. Ё.Х. Туракулова, Ташкент, Узбекистан https://orcid.org/0009-0008-0000-5916
  • Мухаммадаъзам Хусанбек углы Акбаров младший научный сотрудник, учебный центр, республиканский специализированный научнопрактический медицинский центр эндокринологии им. акад. Ё.Х. Туракулова, Ташкент, Узбекистан https://orcid.org/0009-0009-1834-3734

DOI:

https://doi.org/10.5281/zenodo.22260749

Keywords:

искусственный интеллект, костный возраст, детская эндокринология, глубокое обучение, рентгенография, скелетная зрелость

Abstract

Разработана и клинически оценена локальная система искусственного интеллекта для автоматической оценки костного возраста по рентгенограммам кисти с использованием международных и клинических данных Узбекистана.

References

Alshamrani, K., Messina, F., & Offiah A., C. (2019). Is the Greulich and Pyle atlas applicable to all ethnicities? A systematic review and meta-analysis. European Radiology, 29(6), 2910–2923.

Boer A., J., & van Rijn R., R. (2001). van der Steen A., et al. Bone age assessment: a large-scale comparison of the Greulich and Pyle, and Tanner and Whitehouse (TW2) methods. Archives of Disease in Childhood, 85, 172–175.

Dimeglio, A., & Canavese, F. (2012). The growing spine: how spinal deformities influence normal spine growth. European Spine Journal, 21(1), 64–70.

Greulich W., W., & Pyle S., I. (1959). Radiographic Atlas of Skeletal Development of the Hand and Wrist. 2nd ed. Stanford University Press.

Halabi S., S., Prevedello L., M., Kalpathy-Cramer, J., et al. (2019). The RSNA Pediatric Bone Age Machine Learning Challenge. Radiology, 290(2), 498–503.

He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. Proceedings of CVPR, 770–778.

Lee B., D., & Lee M., S. (2021). Automated bone age assessment using artificial intelligence: the future of bone age assessment. Korean Journal of Radiology, 22(5), 792–800.

Martin D., D., Wit J., M., Hochberg, Z., et al. (2011). The use of bone age in clinical practice — part 1. Hormone Research in Paediatrics, 76(1), 1–9.

Reznikov D., N., Gordeev A., E., Varyukhina M., D., et al. (2025). Determination of bone age from hand radiography: from classical methods to artificial intelligence. Digital Diagnostics, 6(2).

Spampinato, C., Palazzo, S., Giordano, D., et al. (2017). Deep learning for automated skeletal bone age assessment in X-ray images. Medical Image Analysis, 36, 41–51.

Tanner J., M., Whitehouse R., H., Cameron, N., et al. (2001). Assessment of Skeletal Maturity and Prediction of Adult Height (TW3 Method). 3rd ed. Saunders.

Thodberg H., H., Kreiborg, S., Juul, A., & Pedersen K., D. (2009). The BoneXpert method for automated determination of skeletal maturity. IEEE Transactions on Medical Imaging, 28(1), 52–66.

Downloads

Published

2026-09-03

How to Cite

1.
Каланходжаева ШБ, Алимова НУ, Акбаров МХу. ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В ДЕТСКОЙ ЭНДОКРИНОЛОГИИ: РАЗРАБОТКА И КЛИНИЧЕСКАЯ ВАЛИДАЦИЯ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ОЦЕНКИ КОСТНОГО ВОЗРАСТА. TTI [Internet]. 2026 Sep. 3 [cited 2026 Sep. 3];2(8):138-43. Available from: https://tibbiyot-talimi-va-innovatsiyalari.uz/index.php/TTI/article/view/60
Vol. 2 No. 8 (2026): Journal of "Medical Education and Innovations"