基于放射组学与深度学习特征融合的腕部骨折X线影像精准诊断框架

为解决腕部骨折X线影像诊断中存在的图像质量差异、细微骨折模式识别困难及观察者间变异性等问题，研究人员开发了一种融合放射组学（Radiomics）与深度学习特征的混合诊断框架。该研究通过PyRadiomics提取定量特征，结合注意力增强自编码器（Autoencoder）提取深层特征，采用ANOVA、互信息（MI）和递归特征消除（RFE）优化特征集，最终通过投票分类器（Voting Classifier）实现95%的测试准确率和96%的AUC-ROC。该框架显著提升了骨折检测的敏感性和可重复性，为临床决策提供了可靠支持。

　　

腕部骨折是临床常见损伤，X线影像因其便捷性和低成本成为主要诊断手段。然而，图像质量差异、细微骨折模式以及医生间诊断差异常导致误诊或漏诊。传统人工智能（AI）系统虽有一定辅助作用，但往往因缺乏鲁棒性和可重复性难以广泛应用于临床。放射组学（Radiomics）通过量化图像特征（如纹理、形状）提供客观诊断依据，但单独使用时易受图像质量影响；深度学习（如自编码器）能自动学习复杂特征，但可解释性较差。如何整合两者优势，构建兼具高精度和可解释性的诊断框架，成为亟待解决的问题。

为此，来自Alnoor University等机构的研究团队开展了一项多中心研究，提出了一种融合放射组学与深度学习特征的混合诊断框架。该研究收集了来自3家医疗中心的3,537例腕部X线影像（1,871例骨折，1,666例非骨折），通过PyRadiomics提取104项放射组学特征（包括一阶统计量、灰度共生矩阵GLCM等），同时利用注意力增强自编码器从瓶颈层提取512维深度特征。通过类内相关系数（ICC≥0.75）和余弦相似度（>0.90）筛选可靠特征后，采用ANOVA、互信息（MI）和递归特征消除（RFE）优化特征集，最终通过XGBoost、随机森林等分类器评估性能。结果显示，融合特征结合投票分类器（Voting Classifier）实现了95%的测试准确率、94%的敏感性和96%的AUC-ROC，显著优于单一模态方法。该成果发表于《BMC Musculoskeletal Disorders》，为临床提供了可解释、高精度的骨折诊断工具。

关键技术方法包括：1）多中心X线影像数据集构建（3,537例，含质量筛选）；2）PyRadiomics提取放射组学特征与自编码器提取深度特征的双模态融合；3）基于ICC和余弦相似度的特征可靠性验证；4）ANOVA、MI、PCA和RFE特征选择；5）XGBoost、CatBoost等机器学习分类器性能比较。

特征可靠性分析
放射组学特征中，灰度大小区域矩阵（GLSZM）和形状特征可靠性最高（ICC>0.75占比分别为75%和70%），而GLCM特征稳定性较差（仅37.5%达标）。深度特征经ICC筛选后保留30.5%的高稳定性特征，通过SHAP分析证实其对分类决策的贡献。

模型性能分析
融合特征在所有评估指标中均优于单一特征模态。投票分类器（Voting Classifier）结合MI特征选择表现最佳，测试准确率达95%，AUC-ROC为96%。外部验证中，模型在留一中心测试的准确率稳定在90.8%-92.6%，证实其泛化能力。

端到端模型对比
纯深度学习模型（无特征融合）准确率为93%，AUC-ROC为94%，略低于混合框架，但验证了注意力机制对关键区域定位的有效性（如图像中骨折线高亮）。

研究结论表明，该混合框架通过整合放射组学的可解释性与深度学习的表征能力，解决了传统方法在腕部骨折诊断中的局限性。讨论部分强调，严格的ICC筛选和特征优化保障了模型的可重复性，而SHAP和t-SNE可视化增强了临床可信度。未来可扩展至其他骨骼部位（如髋部、脊柱）或CT/MRI多模态数据，推动AI在肌肉骨骼影像中的标准化应用。

（注：全文细节均基于原文，专业术语如GLCM₂₄、AUC-ROC等保留原格式，作者名如Mohamed J.Saadh未做改动。）