基于计算机视觉与深度学习的桡骨远端X线影像视图分类及解剖定位研究

这篇研究创新性地应用YOLOv5目标检测模型，开发了能自动分类桡骨远端X线视图（AP/LAT/OB）并定位关键解剖区域的深度学习系统。通过1593张标注影像验证，模型整体准确率达97.3%（AP 99%，LAT 100%，OB 93%），显著优于随机猜测（p<0.001）。研究还开发了Streamlit移动应用，为后续骨折分类模型提供精准的解剖区域裁剪，在基层医疗和急诊场景中具有重要应用价值。

　　

摘要

计算机视觉与机器学习的进步为骨科影像分析提供了新工具。本研究聚焦桡骨远端X线片的视图分类（前后位AP、侧位LAT、斜位OB）与解剖定位，开发了基于YOLOv5的目标检测模型。通过1593张来自单一机构的标注影像（544 AP/538 LAT/521 OB）训练，模型在测试集达到97.3%整体准确率，其中AP和LAT视图分类准确率分别达99%和100%。配套开发的Streamlit移动应用可实现临床实时部署，为下游骨折诊断模型提供精准的解剖区域裁剪。

1 引言

桡骨远端骨折（DRF）是急诊常见损伤，年医疗支出超25亿美元。标准X线视图（AP/LAT/OB）的准确分类对评估骨折参数（如桡骨高度、掌倾角）至关重要。传统卷积神经网络（CNN）缺乏空间特异性，而本研究采用YOLOv5实现视图分类与解剖区域（从第二掌指关节MCP至桡骨远端1/3）的同步定位，为后续AI诊断流程提供预处理支持。

2 方法论

数据收集：2012-2023年1593张去标识化X线片，经骨科医师验证标注。

模型架构：选用轻量级YOLOv5s，内置数据增强（旋转/色彩抖动等）。

训练策略：70/15/15数据集划分，从零开始训练（未用预训练权重），监控mAP₅₀（0.987）和mAP_50-95（0.74）等指标。

统计验证：二项检验证实模型显著优于随机猜测33%基准（p<0.0001）。

3 结果

• •

  分类性能：混淆矩阵显示OB视图6%误判为AP，其余视图准确率>99%。

• •

  定位效果：图3展示模型成功框定目标解剖区域（置信度0.79-0.86）。

• •

  曲线分析：F1-置信度曲线峰值0.97，PR曲线AUC达0.987。

4 讨论

该工具通过视图分类与区域裁剪可提升下游骨折模型的信噪比，尤其适用于资源有限的基层医疗。局限性包括单中心数据来源和每类约500张的训练样本量（低于YOLOv5推荐的1000张/类）。未来需通过多中心验证优化OB视图分类，并探索其在临床决策支持系统（CDSS）中的应用。

作者贡献

通讯作者Lorenzo Deveza主导研究设计与软件开发，Rohan Vemu等参与数据收集与模型训练。研究获贝勒医学院骨科教育组（BORaE）支持。