基于动态高效注意力网络(DEANet)的AI辅助诊断系统在髂骨翼与坐骨棘骨折鉴别中的应用研究

本研究针对骨盆骨折（特别是髂骨翼和坐骨棘骨折）诊断依赖昂贵CT/MRI的临床痛点，开发了基于X光图像的动态高效注意力网络(DEANet)。通过集成EfficientNet-B0与深度可分离注意力模块，模型在测试集达到85%准确率，为基层医疗机构提供了一种低成本、高效率的AI辅助诊断方案。

　　

随着全球老龄化加剧，骨盆骨折发病率持续攀升。其中髂骨翼和坐骨棘骨折因解剖结构复杂，传统X光诊断存在重叠结构干扰，常需依赖单价5000-15000元新台币的CT/MRI检查。这不仅加重医疗负担，延迟救治还可能引发神经损伤等严重后果。中国医科大学附属医院的研究团队在《Clinical Biomechanics》发表研究，开发了基于X光图像的动态高效注意力网络(DEANet)，通过双分支架构整合EfficientNet-B0与增强型深度可分离注意力块(EDSA)，实现了骨折类型的精准鉴别。

关键技术包括：1）采用CLAHE图像增强技术优化X光特征；2）构建双分支网络分别处理原始图像和Prewitt边缘检测特征；3）使用包含髂骨翼和坐骨棘骨折的临床数据集进行模型验证。

【图像增强效果】
对比实验显示，CLAHE增强图像在骨折特征提取上显著优于直方图均衡化方法，为后续分析奠定基础。

【分割性能】
研究发现Prewitt边缘检测单独应用会降低模型性能（召回率下降20%），最终采用原始图像与注意力机制结合的策略。

【讨论】
DEANet在测试集达到85%准确率，较Dreizin等开发的ResNeXt-50模型在旋转稳定性识别（74%）有显著提升。特别在坐骨棘骨折分支中，边缘增强使F1值提升15%，证实其对神经血管毗邻区域的敏感特征捕捉能力。

结论表明，该研究首次实现仅凭X光图像即可区分髂骨翼与坐骨棘骨折，将诊断成本降低至传统方法的1/10。动态调整网络深度/宽度/分辨率的特性，使其在保持85%准确率的同时，推理速度满足急诊需求。这项成果为资源受限地区提供了可行的AI辅助诊断方案，对实现分级诊疗具有重要实践价值。