تحدث الكسور في منطقة الكتف، التي تتميز بمدى حركة أوسع مقارنةً بالمع joints الأخرى في الجسم، لأسباب متعددة. ولتشخيص هذه الكسور، تُستخدم البيانات المستخلصة من أشعة السينية (X-ray)، والتصوير بالرنين المغناطيسي (MRI)، أو التصوير المقطعي المحوسب (CT). يهدف هذا الدراسة إلى مساعدة الأطباء من خلال تصنيف صور الكتف المستخرجة من أجهزة الأشعة السينية إلى فئات "كسر" أو "لا كسر" باستخدام الذكاء الاصطناعي. ولتحقيق ذلك، تم تقييم أداء 26 نموذجًا مُدرّبًا مسبقًا يعتمد على التعلم العميق في كشف كسور الكتف على مجموعة بيانات الأشعة العظمية العضلية (MURA)، كما تم تطوير نموذجين لتعلم المجموعات (Ensemble Learning) هما EL1 وEL2. وشملت النماذج المُدرّبة مسبقًا: ResNet وResNeXt وDenseNet وVGG وInception وMobileNet، بالإضافة إلى نسخها المُعدّلة بطبقة اتصال كاملة شبيهة بالعمود الفقري (Spinal FC). في النموذجين EL1 وEL2 اللذين تم تطويرهما باستخدام النماذج المُدرّبة مسبقًا الأفضل أداءً، بلغت دقة الاختبار 0.8455 و0.8472 على التوالي، وبلغ معامل كوهين (Cohen’s kappa) 0.6907 و0.6942، بينما بلغ مساحة المنطقة المرتبطة بفئة الكسر تحت منحنى استجابة المشغل التشغيلي (ROC) (AUC) 0.8862 و0.8695 على التوالي. وبالنظر إلى إجمالي 28 تصنيفًا مختلفًا، حقق النموذج EL2 أعلى قيمة دقة اختبار وقيمة أعلى لمعامل كوهين، بينما سجل النموذج EL1 أعلى قيمة لـ AUC.