《Journal of Imaging》：Deep Learning-Based Multi-Class Pediatric Wrist Fracture Subtype Classification: A Pilot Study Comparing Convolutional Neural Network Architectures
编辑推荐：
儿童腕部骨折是儿童中最常见的肌肉骨骼损伤之一。骨折亚型，包括青枝骨折（buckle/torus）、绿色枝骨折（greenstick）和Salter–Harris骨骺损伤，直接影响治疗和预后。亚型分类所需的亚专业放射学知识在急诊或资源有限的环境中并不普遍可用。深
儿童腕部骨折是儿童中最常见的肌肉骨骼损伤之一。骨折亚型，包括青枝骨折（buckle/torus）、绿色枝骨折（greenstick）和Salter–Harris骨骺损伤，直接影响治疗和预后。亚型分类所需的亚专业放射学知识在急诊或资源有限的环境中并不普遍可用。深度学习（DL）提供了一种从平片自动识别骨折亚型的方法。这项初步研究使用GRAZPEDWRI-DX数据集评估了基于卷积神经网络（CNN）的五类儿童腕部骨折分类。共有来自GRAZPEDWRI-DX（figshare ID 14825193）的940张儿童腕部放射片，使用Arbeitsgemeinschaft fur Osteosynthesefragen（AO）儿科编码标记为五类：无骨折、青枝骨折、绿色枝骨折、Salter–Harris骨骺骨折和其他骨折。应用了对比度受限自适应直方图均衡化（CLAHE）和letterbox调整至224 × 224像素。患者级分层分割（70/15/15%）防止了数据泄漏。三种ImageNet预训练架构（DenseNet-169、ResNet-50和EfficientNet-B4）经历了两个阶段的迁移学习。性能通过平衡准确率、宏F1、受试者工作特征曲线下面积（macro AUROC）和Cohen's kappa进行评估。在初始五个epoch的初步训练条件下，DenseNet-169在保留测试集（n = 139）上取得了最高的平衡准确率（0.371；95%置信区间[CI]：0.289–0.448）、宏F1（0.334；95% CI：0.251–0.416）和宏AUROC（0.669），Cohen's kappa为0.269。所有三个网络均超过了多数类（无信息）基线（平衡准确率0.20）。将训练扩展至50个epoch（约2100个mini-batch迭代）并采用GPU加速后，DenseNet-169的性能显著提升，平衡准确率达到0.532（95% CI：0.451–0.614），宏F1达到0.516，宏AUROC达到0.815，且架构间差异具有统计学显著性（McNemar p < 0.01）；各类别灵敏度中，无骨折检测最高（0.969），青枝骨折最低（0.393）。梯度加权类激活映射（Grad-CAM）确认了模型在桡骨远端干骺端和骨骺板处的解剖学一致性显著性。在初步训练条件下，DenseNet-169在评估的架构中取得了最佳的五类分类性能，延长训练显著提高了准确率，但分类准确率仍低于临床可用阈值。这些结果建立了一个可重复的、患者分层的深度学习流水线（DL pipeline）和用于全数据集训练及未来方法学开发的基准，而非临床可部署工具。
论文解读：基于深度学习的儿童腕部骨折亚型多分类研究
研究背景与问题：儿童腕部骨折是儿童最常见的肌肉骨骼损伤之一，其中桡骨远端骨折尤为高发，占所有儿童骨折的四分之一至三分之一。骨折亚型（包括青枝骨折/buckle/torus、绿色枝骨折/greenstick和Salter–Harris骨骺损伤）直接影响治疗决策和预后，如青枝骨折适合保守治疗，而Salter–Harris损伤需密切随访以防止生长障碍。然而，亚型分类需要亚专业放射学知识，在急诊或资源有限的环境中并不普遍可用，急诊医师对儿童骨骼放射片的误诊率约为5–8%，腕部是错误率最高的区域之一。现有深度学习模型多集中于二分类（骨折 vs. 无骨折），缺乏多类亚型区分能力，这构成了从骨折检测到临床可操作亚型信息之间的关键缺口。因此，研究人员开展了一项初步研究，旨在评估基于卷积神经网络（CNN）的五类儿童腕部骨折亚型分类，使用公开的GRAZPEDWRI-DX数据集，并建立可重复的基准。
研究概述：本研究采用回顾性观察设计，从GRAZPEDWRI-DX存储库（figshare ID 14825193）中获取了940张儿童腕部放射片，使用Arbeitsgemeinschaft fur Osteosynthesefragen（AO）儿科编码标记为五类：无骨折、青枝骨折、绿色枝骨折、Salter–Harris骨骺骨折和其他骨折。研究人员应用了对比度受限自适应直方图均衡化（CLAHE）和letterbox调整至224×224像素，并采用患者级分层分割（70/15/15%）防止数据泄漏。三种ImageNet预训练架构（DenseNet-169、ResNet-50和EfficientNet-B4）经过两个阶段的迁移学习，并在初步训练（5个epoch，CPU环境）和扩展训练（50个epoch，约2100次mini-batch迭代，GPU加速）下评估性能。主要性能指标包括平衡准确率、宏F1、宏AUROC和Cohen's kappa。研究发表在《Journal of Imaging》。
关键技术方法：研究人员使用GRAZPEDWRI-DX数据集（来源：figshare ID 14825193，包含约20,327张儿童腕部放射片，但初步研究仅使用其中940张具有完整AO编码的图像）。预处理包括CLAHE（clip limit 2.0，tile grid 8×8）和letterbox调整至224×224像素。训练增强包括随机水平翻转、旋转至15度以及亮度和对比度抖动。数据分割采用患者级分层（70%训练、15%验证、15%测试）。模型架构选择DenseNet-169、ResNet-50和EfficientNet-B4，均使用ImageNet预训练权重，通过两个阶段迁移学习（第一阶段冻结骨干网络，仅训练分类头，学习率1×10
-3；第二阶段端到端微调，学习率1×10
-4）。使用类加权交叉熵损失处理类别不平衡，最佳检查点根据验证集平衡准确率选择。扩展训练采用余弦退火学习率调度和GPU加速（Metal Performance Shaders）。评估指标包括平衡准确率、宏F1、宏AUROC和Cohen's kappa，并采用McNemar检验进行架构间比较，Grad-CAM用于定性可解释性分析。
研究结果：
- 研究队列：最终纳入940张图像（排除4091张缺乏有效AO编码或损坏的图像），按分层设计分配到训练集（n=665）、验证集（n=136）和测试集（n=139）。各类别分布大致均衡，但“其他骨折”类别占比最小（训练集14.4%，测试集9.4%），反映了真实世界的不平衡。
- 整体模型性能：在初步训练条件下，DenseNet-169在测试集上取得最高平衡准确率（0.371；95% CI: 0.289–0.448）、宏F1（0.334；95% CI: 0.251–0.416）和Cohen's kappa（0.269），而ResNet-50的宏AUROC稍高（0.679）但宏F1较低（0.150），表明其预测集中于少数类别。EfficientNet-B4性能最低。所有模型均超过多数类基线（平衡准确率0.20）。McNemar检验未发现显著架构差异，符合初步训练规模有限的预期。
- 各类别性能（DenseNet-169）：无骨折类别灵敏度最高（0.781）和AUROC最高（0.765），表明能可靠识别正常腕部。青枝骨折灵敏度最低（0.143），但特异性最高（0.964），提示在有限训练数据下倾向于漏检该类。Salter–Harris骨骺骨折AUROC次高（0.731）但灵敏度中等（0.278），符合骨骺损伤的放射学隐匿性。
- 可解释性：Grad-CAM显著性图显示，DenseNet-169在正确分类的骨折病例中，模型注意力集中在桡骨远端干骺端、骨骺板和皮质边缘等解剖学相关区域，支持模型预测的生物学合理性，而非虚假信号。
- 训练动态：在5个epoch的初步训练中，DenseNet-169达到最高验证集平衡准确率（0.360），所有模型损失均逐步下降，无发散迹象。
- 扩展训练效果：将训练扩展至50个epoch后，所有模型性能显著提升。DenseNet-169平衡准确率从0.371升至0.532（95% CI: 0.451–0.614），宏F1从0.334升至0.516，宏AUROC从0.669升至0.815，Cohen's kappa从0.269升至0.547。各类别灵敏度改善显著，无骨折检测升至0.969，青枝骨折升至0.393（仍为最具挑战类别）。验证平衡准确率在约第17个epoch后达到平台，表明初步训练严重不足。扩展训练后，架构间差异达到统计学显著性（DenseNet-169优于ResNet-50和EfficientNet-B4，McNemar p < 0.01）。
讨论与结论：研究人员指出，这是首次尝试使用深度学习进行儿童腕部骨折亚型多分类研究。DenseNet-169在三种架构中表现最佳，且扩展训练显著提高性能，但当前准确率仍低于临床可用阈值。研究的主要贡献是建立了一个可重复的、患者分层的深度学习流水线，并重新利用GRAZPEDWRI-DX的AO儿科注释进行多类亚型分类，量化了各类别错误结构。扩展训练结果表明，初步训练不足是主要限制，而样本大小和类别不平衡是当前更关键的瓶颈。各类别分析显示，青枝骨折最低灵敏度与临床经验一致，而Salter–Harris骨折的AUROC次高但灵敏度中等，反映了平片检测的固有困难。Grad-CAM验证了模型注意力与解剖定位的一致性。研究局限性包括样本量小（仅940张）、类别不平衡、依赖AO编码的准确性、未评估目标检测框架、缺乏外部验证等。临床意义在于，自动化亚型分类可支持急诊分诊，例如标记Salter–Harris损伤需紧急骨科会诊，而青枝骨折可保守治疗并早期出院。未来计划使用完整GRAZPEDWRI-DX数据集（约20,327张图像）进行GPU加速训练，并采用合成过采样、mixup增强、视觉-语言模型、知识蒸馏和联邦学习等方法。研究结论：本初步研究建立了可重复的深度学习流水线，并确定DenseNet-169为最 promising 架构。扩展训练（50个epoch，约2100次迭代）显著提高了DenseNet-169的性能（平衡准确率0.532；宏AUROC 0.815），确认了充分优化与更大、更平衡的数据集将是缩小性能差距的关键。尽管当前性能不足以用于临床，但解剖学一致的Grad-CAM显著性模式和对各类别挑战的系统识别，为全规模模型开发提供了可重复的方法学基础和基准，其最终临床实用性仍有待确定。
