《Diagnostics》：Attention-Guided EfficientNet-B3 with Grad-CAM Visualization for 22-Class Bone Fracture and Anatomical-Region Classification on the MultiBoneX Dataset
编辑推荐：
背景与目标：为实现放射影像的有效临床决策，需对骨折进行准确诊断，但因解剖变异、骨折征象细微及成像条件多变而难度较大。现有深度学习骨折检测研究多局限于二分类或单一解剖区域，限制了真实临床效用。研究人员通过将任务转化为22类分类问题，利用公开MultiBoneX数
背景与目标：为实现放射影像的有效临床决策，需对骨折进行准确诊断，但因解剖变异、骨折征象细微及成像条件多变而难度较大。现有深度学习骨折检测研究多局限于二分类或单一解剖区域，限制了真实临床效用。研究人员通过将任务转化为22类分类问题，利用公开MultiBoneX数据集，验证单一深度学习模型可有效分类多区域骨折。方法：所提模型采用EfficientNet-B3卷积神经网络集成卷积块注意力模块（CBAM）以增强特征表示，聚焦诊断显著区域；使用正则化预处理、数据增强与结构化训练；并以梯度加权类激活映射（Grad-CAM）解释预测所依赖的图像区域。结果：在3280张留出测试集上，总体准确率75.03%（95% CI：73.57–76.43%），精确率77.09%（95% CI：75.28–78.77%）、召回率72.85%（95% CI：71.00–74.60%）、F1值73.45%（95% CI：71.49–75.15%）；多类马修斯相关系数（MCC）为0.7361。结论：上述结果证明了统一多类系统诊断多部位骨折的可行性，为未来AI辅助放射学提供可扩展基础。
研究背景方面，骨折是急诊与骨科最常见损伤之一，全球年新增病例估计达1.78亿，较1990年上升33%，及时准确诊断对治疗规划至关重要。然而手动阅片受影像数量大、骨结构复杂、骨折形态多样及观察者经验影响，传统计算机辅助诊断（CAD）依赖手工特征且泛化有限。现有深度学习研究多聚焦单骨型或少数类别二分类，缺乏跨解剖部位的统一框架。MultiBoneX数据集整合MURA、FracAtlas、HBFMID与LERA四个公开库，涵盖11个解剖区域正负样本共22558张X线图像，形成22类联合标注（解剖区域+骨折状态），为统一多类分类提供基础。研究人员指出，临床中成像申请单元数据可能缺失、创伤常涉及多候选区域、单区域摄片可能附带邻近解剖、且可用区域预测做质控核对，因此将区域识别与骨折状态判定合并为单模型端到端22类问题，比分级或多阶段管线更适配实际部署。该研究发表于《Diagnostics》。
关键技术方法上，研究人员采用MultiBoneX ver1数据集，按官方预设划分训练（17350张）、验证（1928张）、测试（3280张），未分层且发现约2.81%图像存在跨划分精确pHash重复及711对近重复；主干选用EfficientNet-B3（ImageNet预训练），在末级MBConv6后插入CBAM（含通道与空间注意力），全局平均池化前增强骨折相关特征；训练以300×300尺寸、水平翻转与±15°旋转增强、Adam（lr=1e-4，weight decay=1e-4）、交叉熵损失、20 epoch（早停patience=5）、ReduceLROnPlateau调度；评估含宏平均精确率/召回率/F1、总体准确率、多类MCC、Bootstrap 2000次95% CI、3折交叉验证、McNemar检验比对EfficientNet-B3与加CBAM版；可解释性采用Grad-CAM定性及220张平衡子集定量激活分析。
研究结果各节要点如下。3.1数据集节表明MultiBoneX跨库合并带来分布异质与轻微跨划分泄漏，但支撑多区域联合学习。3.2模型概述节说明CBAM置于骨干末端，使单模型在无可靠区域元数据时仍可用，并支持偶发发现检测与PACS质控。4.3训练验证节显示训练准确率近99%、验证约89.21%（3折均值，SD 0.49%），但训练损失续降而验证损失后期回升，提示过拟合。4.4测试评估节给出测试准确率75.03%（CI 73.57–76.43%）、宏精确率77.09%、宏召回率72.85%、宏F1 73.45%、多类MCC 0.7361；混淆矩阵揭示两类错误：下肢相邻区（踝/足/膝）跨区误分，以及腕/肩/手区内骨折假阴性（如腕阳性175中65判阴）；LegANKLE_negative的MCC低至0.5040，LegHIP_negative高达0.9680。4.5区域级骨折检测节折叠22类为11区二分类，Humerus敏感性0.9471、LegHIP特异性0.9787居首，Elbow敏感性0.5738与Hand 0.5822最低；整体二分类敏感性0.7317、特异性0.8234、准确率0.7802。5消融研究节对比7种CNN基线，EfficientNet-B0准确率0.7311最高基线，加SE后B3+SE达0.7332，加CBAM后B3+CBAM达0.7503且McNemar检验显著（χ2=8.63，p=0.0033）；计算对比显示B3+CBAM仅增29.5万参数、单图推理13.63 ms，优于B4+CBAM的19.43 ms。6 Grad-CAM分析节展示正确阳性（LegHIP/Finger/Hand/LegFOOT）、正确阴性（Hand）、误分阴性（Hand阳性判阴）案例，定量上LegHIP_positive高激活覆盖0.3716最高，LegFOOT_negative 0.0732最低，峰值激活均>0.99。7对比现有工作节指出既往多为私库2–6类，Barhoom等14类公开库精度85.96%最接近，本文22类联合任务无直接可比前作。
讨论与结论部分，研究人员承认限制：无患者ID致无法验证跨划分同患者重叠；LegANKLE/LegFOOT等测试样本极少且未分层；仅单数据集无外部验证；未训区域已知下单纯骨折二分类对照；pHash重复可能抬高测试值。未来工作指向边界框定位、CT/MRI多模态、骨折亚型（移位/粉碎/关节内）、人群与设备多样性、前瞻临床验证及强正则化缩小训练-测试落差。结论翻译：本文提出统一深度学习模型在公开MultiBoneX上做多区域多类骨折分类，EfficientNet-B3+CBAM将解剖识别与骨折状态判定合并为端到端22类问题；留出3280图测试准确率75.03%（95% CI 73.57–76.43%）、精确率77.09%、召回率72.85%、F1 73.45%，3折交叉验证验证准确率均值89.21%（CI 87.98–90.44%）；CBAM提升细微骨折特征聚焦，各类表现不均（Forearm_negative等F1>0.89，LegANKLE_negative等偏低）；整体证明统一可扩展多区域框架可行，但腕/肩/手敏感性不足致不可自主诊断，应作初筛或决策辅助由医师确认；外部验证与前瞻评估前不进常规临床。该研究核心意义在于以问题重构（联合区域-状态单模型）而非结构创新，为公开、可复现、多区域AI辅助骨折分类提供基线。
