成长科学 · 预测

骨龄到底是什么——以及为什么两家医院会给出不同的答案

GrowSense Growth Science · 仅供科普参考，非医疗建议

你手上拿着两份报告，同一个孩子，相隔四个月。一份写着 骨龄 8 岁，另一份写着 骨龄 9 岁。同一只左手，同一个孩子，中间却差了整整一年。那么，是哪家医院搞错了？

先说一个诚实的起点：很多时候，两家都没错。 骨龄不是身高那种意义上的”测量”。没有人在数什么东西，也没有人数错。骨龄是一个骨骼成熟度的估计值，做法是拿你的孩子去和一个参考模型比对——而不同医院用的可能是不同的模型、不同的阅片者、不同的参考人群。两个既诚实又称职的答案，完全可以合理地不一样。

听起来像坏消息，其实不是。只有当你把骨龄当成”判决”时，它才会变成坏消息。如果读法正确——把它看作一个有已知误差范围、需要长期追踪的估计值——它就是你能掌握的、关于孩子生长最有价值的信息之一。本文会讲清楚这个数字究竟是什么、它在医院之间变动的五个原因、多大的变动属于正常，以及两份报告不一致时该怎么办。

1. 两家医院，一个孩子，两个数字

设想一个九岁的女孩。三月，家附近的医院报告她的骨龄是 8 岁。七月，一家更大的儿童医院报告是 9 岁。父母把这读成了一场危机：要么她在四个月里老了一岁，要么就是有人搞错了。

这个孩子身上没有任何异常。真正异常的，是期待两种不同的方法给出同一个数字——而且没有人告诉父母这两种方法不一样，因为两份报告都没写自己用的是哪一种。

这才是这个故事里真正的失败。不是放射科医生，而是那份报告。

2. 骨龄是成熟度的估计值，不是诊断

在讨论读数为何不同之前，先把骨龄能说明什么、不能说明什么讲清楚是值得的——因为父母的绝大多数惊慌，都源于向它提出了一个它从来就不是为了回答而设计的问题。

骨龄 X 光片可以帮助临床医生排查身高增长过慢或过快、青春期提前或延迟、可能的内分泌疾病、慢性病或营养不良、还剩多少生长潜力，以及某项治疗是否奏效。^[4]

但它自己不能诊断任何疾病。骨龄落后既可能是体质性生长发育延迟，也可能是内分泌疾病、慢性病，或者仅仅是营养不足。骨龄超前可能伴随性早熟、肥胖或雄激素暴露。片子提供的是背景，从来不是原因。

3. 两把不同的尺子：Greulich–Pyle 与 TW3

你遇到的骨龄，几乎都来自这两种方法之一。它们不只是算法不同——它们的思路就不同。

Greulich–Pyle（GP） 靠的是图形匹配。阅片者拿你孩子的片子去对照一本参考图像图谱，挑出整只手最相像的那一张。它快——有经验的阅片者往往几分钟就能给出结果，这也是繁忙医院偏爱它的原因。它的弱点是方法本身固有的：孩子的腕部可能像图谱里的某个年龄，手指却像另一个年龄，阅片者必须自己决定哪些特征权重更高。而且这本图谱是几十年前用美国儿童建立的，此后研究者一直在追问它是否还适合当代人群，答案则因年龄、性别和族裔而异。^[9]

Tanner–Whitehouse 3（TW3） 靠的是评分。它不把整只手当作一张图来匹配，而是逐块给选定的骨头分级，为每一块指定成熟阶段，换算成分数，再求总和。^[3] 它更有结构，更不依赖整体印象，而且能暴露出区域差异——某一组骨头可能跑在前面，另一组却落在后面。代价是时间和培训。

下面这一点对你最重要：

有五件事会让这个数字在不同医院之间移动。前两件出在阅片者身上，后三件出在方法、图谱和片子本身。

4. 阅片者对不同骨头的权重不同

骨骼成熟在整只手上并不均匀。腕骨、桡骨、尺骨、掌骨和指骨，未必都对应同一个参考年龄。一位放射科医生可能读整体印象，另一位可能更倚重桡骨远端或指骨。在幼儿身上，新出现的腕骨骨化中心可能主导整个估计；到了青春期，骨端的形状与融合情况则取而代之。

正是这种镶嵌式成熟，使得整只手无法总是被压缩成一个精确的月份——也正因如此，像 TW3 这样的评分系统才选择逐区域分级，而不是把整只手当一张图来匹配。^[3] 你孩子的手不是一个年龄。它是一个委员会，而阅片者必须当这个会议的主席。

5. 经验会改变读数

多阅片者的研究普遍发现，GP 的总体可靠性良好甚至优秀，在受过训练的阅片者中尤其如此。^[5][6] 但差异仍然存在，培训水平也确有影响：有一项可靠性研究专门让儿科放射科医生和住院医师各自独立阅读同一批片子，就是为了衡量经验会把估计值推动多少。^[7]

另有研究报告总体一致性很好，但警告说分歧集中出现在青春期前后——那时骨骼变化很快，好几个图谱阶段看上去都同样站得住脚。^[8]

这个警告值得记住，因为它出现的时机很微妙：你眼前的这个分歧，最可能恰恰出现在你最焦虑的那个阶段。

6. 方法可能根本不一样

这一条最平淡无奇，也最常见。

一家医院用 GP，另一家用 TW3，第三家用的是训练来模仿其中某一种的自动化软件。如果报告没写方法——而很多报告都没写——你就会拿着两个数字去比较，还以为它们是同一种东西，其实不是。这是一个单位错误，就像把摄氏度和华氏度放在一起比，却没看后面那个字母。

7. 图谱可能并不适合你的孩子

一个参考模型的好坏，取决于建立它的那批孩子——如果你的孩子并非来自那个人群，这一点就极其重要。

一项纳入 51 项研究、覆盖两万多名儿童的系统综述发现：GP 和 TW3 在精密度上都不错——阅片者与自己、与他人都能取得一致——但它们的准确度因族群而异。在亚洲和阿拉伯儿童中，两种方法都倾向于在接近成年的青少年身上高估骨龄。在非洲青少年中，GP 高估了成熟度，而 TW3 则贴合得更好。^[10]

另一项专门针对 GP 图谱的荟萃分析，从不同角度得出了类似结论：这种偏差在不同年龄段的方向并不相同——在亚洲男孩身上，GP 在六到九岁之间读作落后，到十七岁却读作超前；在非洲女孩身上则读作超前。^[11] 一项大规模的台湾研究对比 GP 与 TW3，也得出了大致相同的结论——人群背景会改变这个结果该怎么读。^[3]

这一切并不意味着这些方法没用。它意味着骨龄是由某一个特定参考模型产生的估计值；你的孩子离那个模型的原始人群越远，这个数字就越应该配上一个误差范围。

8. 片子本身

最不起眼的解释，往往才是正确的那个。手的摆位、曝光、图像质量，以及整只手和腕部是否清晰完整地显示出来，都会影响阅片者能判断到什么程度。细微的成熟线索，在技术质量好的片子上本来就更容易看清。

而且，如果两张片子相隔数月拍摄，其中一部分差异可能根本不是分歧——而是你的孩子在这期间真的长大了。

9. 那么，差多少才算正常？

没有哪一个数字能适用于所有年龄、所有片子和所有阅片者。研究常常报告很高的相关性或良好的一致性——但高相关并不意味着两位阅片者总会给出同一个年龄。

在实践中，**几个月的差异很常见。**在变化迅速的阶段——幼儿期，尤其是青春期——接近六到十二个月的差距也可能出现，因为相邻的图谱标准之间隔着很宽的成熟区间，而真实的孩子往往正好落在两者之间。

有两件事决定这个差距是否真的要紧：

**你孩子的年龄。**十二个月的差异，对五岁孩子的意义远大于对十五岁孩子，因为它在剩余发育时间中所占的比例大得多。

**结论是否因此改变。**如果这个差距把读数从明显落后变成了大致符合年龄，那它有临床意义。如果它没有改变临床全貌，那它就是你可以停止担心的噪声。

可靠性研究表明 GP 是可重复的，^[5][8]但可重复性从来不能消除方法层面和阅片者层面的差异。因此正确的结论不是*“骨龄不准”*，而是**“骨龄有误差范围，而这个范围应该被写出来”**。

10. 为什么单次读数回答不了真正的问题

你桌上那两份报告还有一个更深的问题——比”哪一份是对的”更深。因为无论哪一份，单独拿出来，都没有告诉你真正想知道的事。

单次骨龄描述的是某一天的骨骼成熟度。它完全没说这个成熟正在以多快的速度前进。而速度，才是决定还剩多少生长时间的东西。

今天的数字一模一样。未来却毫不相似。任何单次读数都会认定这两个孩子是一样的——并且会在其中一个身上判断错误。

这正是连续读数能回答、而单张片子回答不了的问题：成熟是在正常推进、在加速，还是仍然落后？治疗是否让骨骼成熟得比身高增长还快？实际年龄与骨龄之间的差距，是在拉大还是在收窄？

研究也是这么说的。Tanner 及其同事在建立 TW Mark II 预测公式时发现，把前一年的身高增量或骨龄进展加进去，能改善女孩八岁以上、男孩十一岁以上几乎所有年龄段的预测——而知道去年的身高增量，能把一个十岁男孩的预测区间从大约 ±8 厘米收窄到约 ±4 厘米。^[15]

请再读一遍，因为这是全文最重要的一句话：**多一年的历史，把不确定性砍掉了一半。**不是更好的扫描仪。不是更聪明的算法。而是历史。

关于究竟还剩多少生长时间，请看 孩子什么时候停止长高？

11. 骨龄对预测身高意味着什么

骨龄之所以被用于成年身高预测，是因为骨骼成熟度提示了还剩多长的跑道。但预测身高是一个带误差范围的估计值——不是一个终点。

传统公式的误差限很宽，尤其是在幼儿身上，以及那些生长模式与建立公式所用人群不同的孩子身上。在 TW Mark II 中，对十岁男孩而言，95% 的预测落在真实成年身高的大约 ±8 厘米以内，到十五岁收窄到约 ±6 厘米。^[15]

自动化提升了一致性。验证队列报告的均方根误差接近 3 厘米——苏黎世纵向研究中男孩 3.3 厘米、女孩 2.7 厘米，^[16]同一模型在法国队列上测试时分别为 2.8 厘米和 3.1 厘米。^[17]但表现仍会因年龄、诊断和人群而异。^[18][19]

预测结果完全可能因为青春期时机、生长速度、父母身高、慢性病、营养恢复、内分泌治疗、骨骼成熟度的变化——或者仅仅因为换了一个模型——而合理地改变。正因如此，负责任的输出应当是一个标注了不确定性的区间，而绝不是一个自信满满的单一厘米数。

预测的具体机制，请看我的孩子能长多高？

12. AI 能解决什么——不能解决什么

自动化系统每一次都用同样的方式读手，这确实消除了一个真实的差异来源。研究已经表明，AI 辅助软件能改善观察者间和观察者内的一致性，其中经验较少的阅片者获益最大。^[12] 自动化工具在大型临床队列中也与传统阅片显示出高度一致。^[13] 深度学习模型能直接学习复杂的影像模式，^[14]而像 BoneXpert 这样的系统则测量特定骨骼并以数学方式计算成熟度。^[16]

但要清楚它解决了什么、又没解决什么。算法会继承它的训练人群、它的目标方法，以及它的质控标准。如果它被训练来复现 Greulich–Pyle，它也会一并忠实复现 Greulich–Pyle 关于人群的那些假设——一致性并不等于没有偏倚。它还可能拒绝异常的、摆位不佳的或技术上不合格的图像。

所以 AI 的价值不在于宣布哪家医院错了。它的价值在于提供一次一致的第二阅片、逐区域的分析、明确的质量检查、与既往检查的对比、诚实的不确定性，以及一条随时间变化的成熟度趋势。

13. 你的孩子应该拿到的那份报告

本文中几乎所有的痛苦，都可以追溯到一句话：

这句话把方法、误差范围、区域模式和历史全都藏了起来——把你要拿它跟任何东西作比较所需要的一切都藏了起来。一份更诚实的报告是这样的：

同一个孩子，同一张片子，同一位放射科医生。区别在于，第二个版本是可以比较的——既能和上一家医院的读数比，也能和明年的读数比。它同时尊重了这项检查的价值和它的不确定性。

至少，你保存的每一份骨龄记录都应该包含：方法、拍片日期、孩子的实际年龄、报告的骨龄、阅片者或软件，以及尽可能的误差范围。没有这些，两份报告根本无法比较——而这一点，而非放射科的失误，才是大多数父母最终被一个数字吓到的原因。

14. 两家医院不一致时该怎么办

按顺序来，很实际：

**先弄清楚各自用的是什么方法。**如果一家是 GP、另一家是 TW3，几个月的差距是预料之中的，你可能根本不存在什么矛盾。开口问——这一点常常没写在纸上。

**看日期。**相隔数月的片子，显示的可能是真实的成熟，而不是分歧。

问临床结论会不会改变。“这个差异会改变我们下一步要做的事吗？“——这是唯一要紧的问题。答案通常是不会。

**把旧片子带上。**一张此前的 X 光片，能把两张互相竞争的快照变成一条趋势——而正如 Tanner 所证明的，趋势比其中任何一个数字都更有价值。^[15]

**不要为了”一决高下”去要求复查 X 光。**对同一个成熟度再来第三种意见，只会增加辐射，却很少增加信息。如果问题是成熟的速度，那么给出答案的是时间间隔，而不是仲裁。

**把身高增长速度放在它旁边。**六到十二个月的精确身高测量，往往比所有片子加起来告诉你的还多，而且毫无风险。

15. 这件事如何与整个系统相连

骨龄是一件仪器，在某一天，读取某一个系统。它无法告诉你孩子是不是整年都睡得很差、生病期间蛋白质摄入是不是崩了，或者青春期是不是三个月前就开始了。然而这些事情，全都会推动那张片子正在测量的那副骨骼。

正因如此，追逐”正确的”骨龄，本身就是一个错误的追求。信号从来不在那个数字里——它在实际年龄、骨龄、身高百分位、身高增长速度、青春期分期、健康史，以及随时间的变化之间的关系里。其中任何一项单独拿出来都可能误导你。放在一起，它们很少会。

给父母的结语

骨龄不是骨头的年龄。它是一个基于模型的骨骼成熟度估计值——而和所有估计值一样，它带着一个误差范围。

两家医院会给出不同的答案，可能是因为方法不同、参考人群不同、阅片者不同，或者解剖学上的侧重点不同。几个月的差异，很少意味着医疗质量有问题。即便差异更大，也必须放在孩子的年龄、青春期、生长速度——以及最重要的，它是否改变了什么——的背景下来判断。

所以，当你手里拿着两份不一致的报告时，该带去诊室的问题不是*“哪个数字是对的？”*

而是*“这个孩子正在往哪里走，这两个数字里有哪一个会改变这个答案吗？”*

单次骨龄是一张快照。轨迹才是信号。

本文仅供教育参考，不提供医学诊断或治疗。骨龄结果必须由合格的临床医生结合孩子的身高增长速度、青春期发育阶段和健康史来解读。是否复查以及何时复查等影像学决定，应与孩子的儿科医生或儿科内分泌医生共同商定。