摘要
肩部骨折可由多种原因引起，因其关节活动范围较身体其他部位更为广泛。为诊断此类骨折，通常需借助X射线（X-ray）、磁共振成像（MRI）或计算机断层扫描（CT）获取的影像数据。本研究旨在利用人工智能技术，辅助医生对X射线拍摄的肩部图像进行骨折与非骨折的分类识别。为此，研究在骨科放射影像数据集（MURA）上评估了26种基于深度学习的预训练模型在肩部骨折检测中的性能，并构建了两种集成学习模型（EL1与EL2）。所采用的预训练模型包括ResNet、ResNeXt、DenseNet、VGG、Inception和MobileNet，以及它们对应的脊柱全连接层（Spinal FC）版本。在基于表现最优的预训练模型构建的EL1与EL2模型中，测试准确率分别为0.8455和0.8472，Cohen's kappa系数分别为0.6907和0.6942，受试者工作特征曲线（ROC曲线）下与骨折类别相关的面积（AUC）分别为0.8862和0.8695。综合28种不同分类方案的评估结果，EL2模型在测试准确率和Cohen's kappa值上表现最优，而EL1模型在AUC值上达到最高。