基于自监督学习与视觉Transformer的儿童前臂骨折智能诊疗模型研究

针对儿童前臂骨折诊疗资源不足导致的延误和不必要转诊问题，Van Lam团队开发了基于自监督预训练(SSL)和视觉Transformer(ViT)的机器学习模型。通过47,116张公共X光片预训练和1,250例儿童专科数据微调，模型在骨折治疗分类(无需复位/需复位)中取得AUROC 0.81的优异表现，为基层医疗机构提供可靠的决策支持工具。

　　

每年约有550万例儿童因上肢骨折就诊急诊科，其中前臂骨折占比最高。然而现实情况令人担忧：超过50%转诊至儿科骨科医生的病例本可由初级保健医生处理，28.7%的转诊病例在12小时内未接受任何额外治疗即出院，造成每年近50万美元的医疗资源浪费。这种"过度转诊"现象源于非专科医疗机构缺乏骨折严重程度评估能力——非移位骨折仅需固定，而中重度移位骨折则需复位治疗。现有AI技术多聚焦于骨折检测，却鲜少涉及治疗决策支持，这正是美国华盛顿儿童国家医院(Children's National Hospital) Sheikh Zayed儿科外科创新研究所团队开展此项研究的初衷。

研究人员创新性地采用三阶段技术路线：首先利用47,116张包含MURA、FracAtlas等公共数据集的X光片进行自监督预训练，通过组掩模建模(GMML)使ViT模型学习骨骼特征；随后使用1,250例专科医院儿童前臂骨折数据(含AP/LAT双视图)进行微调，其中300例由骨科医生手动标注骨折区域；最后引入YOLOv11算法实现骨折区域自动识别(ROI)，比较原始图像与ROI裁剪图像对分类性能的影响。

【模型架构设计】
研究采用师生框架的ViT模型，在预训练阶段结合局部/全局对比损失和图像重建头，输入图像经旋转、裁剪等增强后，通过随机噪声和零值补丁生成损坏图像供模型重建学习。微调阶段输入为三通道图像(AP视图+LAT视图+零通道)。

【ROI识别优化】
手动标注的300例图像用于训练YOLOv11骨折检测模型，该模型在测试集成功定位典型骨折如桡骨移位性骨折(见图1a)和桡骨扣状骨折。比较发现：采用ROI裁剪图像训练的模型特异性(TNR)从0.33提升至0.74(p<0.05)，显著改善"无需复位"病例的识别能力。

【分类性能验证】
在800epoch训练后，ROI优化模型展现出最佳平衡性：灵敏度(TPR)0.83，特异度(TNR)0.74，AUROC 0.81，AUPR 0.87。DeLong检验证实ROI策略显著提升区分度(p=0.00044)。值得注意的是，未使用ROI的模型对"无需复位"病例识别率(TNR)仅为0.33，易导致过度转诊。

这项发表于《International Journal of Computer Assisted Radiology and Surgery》的研究证实，基于SSL-ViT的骨折诊疗系统可有效弥补基层医疗机构的儿科骨科专业知识缺口。其创新性体现在三方面：首先，GMML预训练策略使模型能从小规模标注数据(1,250例)中学习；其次，双视图输入设计更符合临床实际；最重要的是，ROI优化使"无需复位"病例识别准确率翻倍，直接减少不必要转诊。未来通过多中心数据合作和实时检测算法优化，该系统有望成为急诊分诊的智能"守门人"，从根本上改变当前儿童骨折诊疗的资源错配现状。