基于 ResNet 主干集成的 YOLO 框架用于骨折检测

为骨折提供更智能的帮助

当有人因可能的腕部骨折出现在急诊室时，几分钟就可能决定成败——准确性同样至关重要。然而，儿童骨骼上的细微裂缝在模糊的 X 光片上往往很难被发现，即便是经验丰富的专家也可能漏诊。本文提出了一种新的人工智能（AI）系统，称为 ResYOLO11，旨在作为对腕部 X 光的快速而谨慎的第二双眼睛，帮助医生更可靠地发现骨折，同时将计算需求控制在日常医院使用可接受的范围内。

为什么读 X 光这么难

骨折是全球最常见的损伤之一，儿童和老年人尤为多见。在腕部 X 光片上，表明骨折的细微裂纹和弯曲可能很淡弱，并可能被噪点、低对比度或重叠结构遮蔽。传统的计算方法依赖简单的边缘和亮度模式，常常无法捕捉这些细节。即便是擅长处理日常照片的现代深度学习系统也可能遇到困难，因为医学影像与这些系统最初训练时用的色彩丰富、高对比的图片有很大不同。

融合两种强大思路

作者通过将两种有影响力的 AI 概念结合到一个统一模型中来应对这一挑战。一部分称为 ResNet，擅长通过“跳跃连接”让信息绕过层流动而不消失，从而更好地提取图像的细节结构。另一部分则是以速度著称的检测器家族 YOLO，能在一次前向传播中快速绘制感兴趣目标的边界框。ResYOLO11 使用定制的 ResNet50 作为主干来从 X 光图像中提取丰富特征，然后将这些特征传入简化的 YOLO11 检测头，在单阶段内快速提出可能的骨折位置和其他异常区域。

在机器查看之前先清理图像

由于原始 X 光可能存在噪声和低对比度，团队设计了一个细致的图像预处理流程，在 AI 查看图像之前进行规范化处理。每张腕部 X 光都被调整为标准的方形格式，然后通过若干滤波步骤去除斑点噪声，同时保留清晰的骨骼边缘。最后，一种对比度增强方法被用来提升微弱边界，使毛细骨折更容易被识别。通过受控实验，研究者表明每一步增强都能为检测质量带来小但稳定的提升，而且中等图像尺寸在现实临床使用中在精度与速度之间提供了最佳折衷。

新系统的表现如何

为测试他们的方法，作者在一个大型公开的儿童腕部 X 光数据集上训练并评估了 ResYOLO11，该数据集包含超过一万例研究并附有详尽的专家标注。他们比较了多种模型规模——从紧凑的“纳米”版到超大版本——并与相应的标准 YOLO11 模型进行了对照。跨所有规模，ResYOLO11 在识别骨折方面更为精确，意味着误报更少，并在综合检测评分上更高，这些评分同时衡量是否发现骨折及其位置的勾画质量。对于最大型号，模型在高准确率识别骨折的同时，与基线模型相比模型体积约减半，预测速度提升约四分之一。对来自不同身体部位的骨折的独立数据集测试表明，该方法可推广到儿童腕部以外的情形。

这对患者意味着什么

作者强调 ResYOLO11 的目的是支持而非取代骨科医生和放射科医生。在繁忙的急诊室或专家有限的门诊中，这样的工具可以快速标注 X 光上的可疑区域，帮助医生集中注意力，减少因细微骨折被忽视的可能性。与此同时，其相对较小的内存占用和快速响应使其能够在标准临床硬件上现实运行。经过对更多年龄段和身体部位的进一步验证，并加入解释决策的附加工具后，像 ResYOLO11 这样的系统有望成为诊室中可靠的助理，默默检查每张影像，确保没有骨折被遗漏。

引用: Bhattacharya, D., Das, S., Biswas, T. et al. ResNet based backbone integrated YOLO framework for bone fracture detection. Sci Rep 16, 12954 (2026). https://doi.org/10.1038/s41598-026-41782-y

关键词: 骨折检测, 医学影像人工智能, X 光分析, 深度学习, 目标检测