Swin-EffuseNet：一种基于双流注意力机制的模型，结合了Swin Transformer V2和EfficientNet-BO，用于骨折分类

《Journal of Orthopaedics》：Swin-EffuseNet: A Dual-Stream Attention-Based Model Combining Swin Transformer V2 and EfficientNet-BO for Bone Fracture Classification

医学影像分析中提出Swin-EffuseNet双流框架，融合Swin Transformer V2的全局语义与EfficientNet-B0的局部纹理特征，通过注意力机制实现高效融合，在4370例X光图像上实现92.8%准确率，显著优于单一模型，兼具实时推理（2.8ms/张）和Grad-CAM等可解释性优势，适用于骨损伤四类临床分类。

　　骨裂是常见的骨骼系统损伤，其及时和准确的诊断对于确保有效的治疗和预防长期并发症至关重要。然而，传统上依赖人工对X光图像进行解读的方法存在诸多问题，例如容易出错、耗时且依赖于医生的经验。特别是在急诊科，由于患者往往未能得到充分评估，骨裂的误诊率较高，导致治疗延误，甚至使患者病情加重。随着X光、CT和MRI等影像技术的广泛应用，放射科医生的工作量大幅增加，这也进一步加剧了诊断过程中的错误率。此外，影像解读通常由实习生、缺乏骨骼系统专业知识的临床医生，甚至非放射科专业人员完成，使得骨裂的检测变得更加复杂。

面对这一挑战，人工智能（AI）在医学影像领域的应用展现出巨大的潜力。特别是深度学习技术，通过大规模数据的训练，能够自动提取和理解复杂的医学图像信息，从而提供比传统方法更可靠和高效的诊断方案。近年来，研究人员不断探索如何将AI技术应用于骨裂检测，以提高诊断的准确性和效率。其中，Swin-EffuseNet作为一种创新的双流深度学习框架，结合了Swin Transformer V2和EfficientNet-B0的优势，通过注意力机制进行特征融合，从而实现对骨裂的精准分类。

Swin-EffuseNet的设计理念基于两种模型的互补性。Swin Transformer V2擅长于提取全局语义特征和上下文信息，而EfficientNet-B0则能够捕捉到细粒度的局部纹理和结构细节。通过注意力机制，这两种模型的输出被投影到同一维度，并利用自注意力机制学习不同特征之间的关系，从而突出具有区分性的模式，生成更丰富且具有临床意义的特征表示。这种设计不仅提升了骨裂分类的准确性，还增强了模型的可解释性，使其在临床应用中更具实用价值。

为了验证Swin-EffuseNet的有效性，研究团队使用了多个公开数据集，包括FracAtlas和Bone Break Classification Dataset，共计4,370张X光图像。这些图像经过预处理，包括灰度图像转换为RGB格式、调整尺寸为512×512像素，并进行标准化处理。通过这样的预处理，模型能够更好地提取和处理图像中的关键信息。此外，研究还构建了一个外部验证数据集，包含Hairline Fracture Detection v2和Bone Fracture X-ray Simple vs. Comminuted Fractures等数据集，共计8,459张X光图像，以确保模型在不同数据集上的泛化能力。

在模型性能方面，Swin-EffuseNet在四类骨裂分类任务中表现出色，总体准确率达到92.8%，精确度为92.4%，召回率为91.6%，F1分数为91.9%，ROC-AUC为0.957，同时实现了最低的log-loss值0.227。从类别角度来看，模型在“无骨折”类别中的准确率为91.5%，在“细微骨折”类别中为87.9%，在“简单骨折”类别中为90.4%，在“复杂骨折”类别中为94.6%。这些结果表明，Swin-EffuseNet在所有分类任务中均优于单独使用Swin Transformer V2（89.5%，提升3.5%）和EfficientNet-B0（88.4%，提升6.7%）的模型。同时，模型在外部验证数据集上的表现同样优异，验证性能稳定，显示出其在实际应用中的广泛适用性。

除了出色的分类性能，Swin-EffuseNet还展现出高效的计算能力。平均推理时间为每张图像2.8毫秒，这使得模型能够在临床环境中快速运行，适用于实时诊断需求。此外，模型的可解释性也得到了充分验证，通过Grad-CAM和t-SNE等可视化技术，研究人员能够直观地观察模型关注的区域，从而确认其对骨折部位的识别能力。这种高精度和高效率的结合，使Swin-EffuseNet成为一种可行的解决方案，能够在现代放射学工作中实现规模化部署。

在方法论方面，Swin-EffuseNet采用了一种三阶段的混合框架。第一阶段使用Swin Transformer V2提取高阶语义特征，第二阶段则通过EfficientNet-B0捕捉细粒度的局部结构信息。第三阶段引入了基于注意力的融合机制，将两个模型的输出进行整合，形成更全面的特征表示。这一过程不仅提高了模型的分类能力，还增强了其在不同情况下的鲁棒性。通过这种方式，Swin-EffuseNet能够在保持高准确率的同时，减少误判率，提高诊断效率。

在实际应用中，Swin-EffuseNet能够帮助放射科医生更快、更准确地识别骨折，从而改善患者的治疗效果。尤其是在急诊科，快速的诊断对于患者的康复至关重要。此外，该模型还能够辅助医生进行更细致的影像分析，识别那些容易被忽视的细微骨折，如发丝状骨折。通过这些能力，Swin-EffuseNet有望成为医疗诊断中的重要工具，减少因误诊导致的治疗延误和不必要的医疗成本。

为了确保模型的可靠性和有效性，研究团队还进行了多种统计测试，包括bootstrap和McNemar’s χ2检验，以验证模型在不同数据集上的性能。这些测试结果表明，Swin-EffuseNet在所有评估指标中均优于单独使用Swin Transformer V2和EfficientNet-B0的模型。同时，模型在外部验证数据集上的表现同样优异，显示出其在不同应用场景中的泛化能力。

此外，研究团队还强调了该模型在数据处理和使用方面的透明性。所使用的数据集包括FracAtlas Original Dataset和Bone Break Classification Image Dataset，均来自Kaggle平台。这些数据集的公开性确保了研究的可重复性和可验证性。独立验证数据集则由Hairline Fracture Detection v2 Dataset和Bone Fracture X-ray Simple vs. Comminuted Fractures Dataset构建，进一步增强了模型的适用性。通过这些数据集，研究人员能够全面评估模型在不同情况下的性能，并确保其在实际应用中的有效性。

在研究的伦理方面，作者声明该研究未曾在其他地方发表过，且文章未被其他期刊考虑发表。此外，作者确认该研究的发表需要所有作者的同意。在利益冲突方面，作者声明没有潜在的利益冲突，无论是财务还是非财务的。这些声明确保了研究的客观性和透明性，使得Swin-EffuseNet的开发和应用更加可信。

总的来说，Swin-EffuseNet的提出为骨裂检测提供了一种新的解决方案。通过结合Swin Transformer V2和EfficientNet-B0的优势，利用注意力机制进行特征融合，该模型不仅在分类性能上表现出色，还在计算效率和可解释性方面具有显著优势。这种高效的诊断方法有望在未来医疗实践中发挥重要作用，减少因误诊导致的医疗成本和患者痛苦，提高整体医疗水平。随着AI技术的不断发展，类似的模型将越来越多地应用于医学影像领域，为医生提供更强大的辅助工具，提升诊断的准确性和效率。