Les fractures surviennent dans la région de l’épaule, qui présente une plus grande amplitude de mouvement que les autres articulations du corps, pour diverses raisons. Pour diagnostiquer ces fractures, les données recueillies par radiographie (radiographie X), imagerie par résonance magnétique (IRM) ou tomographie computée (TDM) sont utilisées. Cette étude vise à aider les médecins en classifiant, à l’aide de l’intelligence artificielle, les images de l’épaule obtenues par appareil de radiographie en « fracture » ou « non-fracture ». À cette fin, les performances de 26 modèles pré-entraînés basés sur l’apprentissage profond ont été évaluées sur le jeu de données des radiographies ostéo-articulaires (MURA) afin de détecter les fractures de l’épaule, et deux modèles d’apprentissage par ensemble (EL1 et EL2) ont été développés. Les modèles pré-entraînés utilisés sont ResNet, ResNeXt, DenseNet, VGG, Inception, MobileNet ainsi que leurs variantes à connectivité complète épinière (Spinal FC). Dans les modèles EL1 et EL2, construits à partir des modèles pré-entraînés offrant les meilleures performances, l’exactitude sur le jeu de test a atteint respectivement 0,8455 et 0,8472, le kappa de Cohen a été de 0,6907 et 0,6942, et la surface sous la courbe ROC (AUC) associée à la classe fracture a été de 0,8862 et 0,8695. En fin de compte, parmi les 28 classifications différentes effectuées, le modèle EL2 a obtenu les meilleurs taux d’exactitude sur le jeu de test et les meilleures valeurs de kappa de Cohen, tandis que le modèle EL1 a atteint la plus grande valeur d’AUC.