Kinder leiden im täglichen Leben häufig an Handgelenkverletzungen, während Radiologen vor der chirurgischen Behandlung durch Chirurgen in der Regel Röntgenbilder analysieren und interpretieren müssen. Die Entwicklung des tiefen Lernens hat es ermöglicht, dass neuronale Netzmodelle als computergestützte Diagnosehilfen (CAD) dienen, um Ärzten und Experten bei der Diagnose zu helfen. Da die YOLOv8-Modelle in Objekterkennungsaufgaben zufriedenstellende Erfolge erzielt haben, wurden sie auf die Frakturerkennung angewendet. Der Global Context (GC)-Block modelliert den globalen Kontext auf ressourcenschonende Weise effektiv, und seine Integration in YOLOv8 kann die Modelleffizienz erheblich verbessern. In dieser Arbeit wird das YOLOv8+GC-Modell für Frakturerkennung vorgeschlagen, eine verbesserte Version des YOLOv8-Modells mit dem GC-Block. Experimentelle Ergebnisse zeigen, dass das vorgeschlagene YOLOv8-GC-Modell im Vergleich zum ursprünglichen YOLOv8-Modell die mittlere durchschnittliche Genauigkeit bei einem IoU-Schwellenwert von 0,5 (mAP 50) von 63,58 % auf 66,32 % erhöht, was den Stand der Technik (SOTA) darstellt. Der Implementierungscode für diese Arbeit ist unter https://github.com/RuiyangJu/YOLOv8_Global_Context_Fracture_Detection auf GitHub verfügbar.