基于EfficientNetV2并结合近端策略优化微调的X光片儿童骨折分类方法

《Scientific Reports》：Pediatric fracture classification in plain radiographs using EfficientNetV2 with proximal policy optimization fine-tuning

　　

摘要

由于存在生长板、骨化不完全以及细微的皮质不规则性，儿童X光片中的骨折检测面临诸多临床挑战。这些特征在幼儿身上尤其容易使X光片看起来与正常发育中的骨骼相似，从而导致不同阅片者之间的诊断结果存在差异，进而增加紧急情况下骨折漏诊的概率。因此，亟需可靠的自动化决策支持系统。本文提出了一种用于儿童X光片分析的二分类框架，该框架以EfficientNetV2-Small作为视觉特征提取模块，再结合基于近端策略优化算法的演员-评论家式优化模块，通过两阶段优化流程对模型进行进一步训练。在第一阶段，模型通过交叉熵损失函数进行有监督训练，以此确定骨折与正常骨骼之间的清晰分类边界；在第二阶段，PPO算法通过一种考虑置信度的非对称奖励函数来优化诊断策略，对于高置信度下的错误分类会施加更严厉的惩罚，从而有效避免因过度自信而导致的骨折漏诊。该框架在约旦阿卜杜拉国王大学的儿童骨折X光数据集上进行了开发和测试，该数据集包含1221张来自实际临床环境的X光片，涵盖了四肢骨骼的多个部位，且均由经过认证的儿科放射科医生进行标注。此外，还采用了对比度限制自适应直方图均衡化技术作为预处理步骤，以提高骨骼的局部对比度，便于识别细微的骨折特征。实验结果表明，所提出的模型的测试准确率为91.86%，AUC值为95.90%，灵敏度为98.38%，其性能优于其他对比的CNN模型，包括MobileNetV2、ResNet50、Xception、DenseNet121以及基础版的EfficientNetV2-Small。目前该框架仍属于研究原型，在投入临床应用之前还需要进行多中心验证。