FAD-MIL：一种基于X光影像的弱监督骨折检测模型

为什么骨折仍会被漏诊

人们每天都会发生骨折，X光检查通常是发现这些骨折的第一步。然而，即便是有经验的医生也可能漏掉细微的裂缝，尤其是在夜班繁忙或缺乏专科医师的医院里。本研究提出了一种名为FAD‑MIL的计算机模型，以新的方式审视X光影像，旨在作为一双额外的敏锐眼睛。该系统通过从数千张以往影像中学习，而无需对每条骨折线进行费时的手工标注，来尝试标出最有可能藏有骨折的影像。

用真实世界的X光来教机器

研究人员在一个公开的数据集FracAtlas上训练了他们的模型，该数据集中有四千多张肢体X光，每张图像仅被标注为“骨折”或“无骨折”。他们没有把每张图片当作一个整体信息块处理，而是把每张图像切成许多小块，像拼图格子一样。一个预训练的图像分析网络将每个小块转换为描述其视觉模式的数值指纹。来自同一张X光的所有这些指纹随后被打包为一个“包”，模型必须解读这个包来判断是否存在骨折，尽管它从未被告知具体是哪一块显示了损伤。

兼顾全局视野与微小裂缝

FAD‑MIL的关键思想是模拟放射科医师在宏观概览与局部细察之间切换的方式。模型的一部分——全局通道——跨越所有小块来理解肢体和关节的整体形状，帮助其避免被正常的凸起和弯曲误导。另一部分——局部通道——则试图聚焦于少数最可能包含裂缝的小块。一个“骨折门控”会适度增强看起来可疑的小块并压低其余小块的权重，然后仅保留这些高分小块中的顶端一部分做进一步分析。最终，模型将全局语境与局部热点融合为单一判断，判定影像是否显示骨折。

模型识别骨折的效果如何

在FracAtlas的测试影像上，FAD‑MIL优于两种更简单的方法：一种对所有小块信息取平均，另一种逐块投票——这两者往往会让骨折的微弱信号被正常骨组织的细节淹没。它将影像从最不可能到最可能出现骨折进行排序的能力与另一种同样使用注意力机制聚焦重要区域的先进方法相近，但FAD‑MIL给出的分值更为校准良好，意味着其置信度更符合实际正确率。研究人员还生成了彩色热图，在与模型骨折预测关系最密切的区域上发光，为医生提供了算法“观察”位置的粗略可视指南，但并不声称能精确指出裂缝的位置。

在基准之外测试模型

为了评估该系统在真实医院数据上的表现，研究团队又将FAD‑MIL应用于来自单一医疗中心的1300多张已确诊腕部和踝部骨折的X光片。该组仅包含确有骨折的患者，因此研究人员可以衡量模型在不同判定阈值下成功标记这些病例的频率，但无法评估它可能对健康患者产生的误报率。随着将“判为骨折”的阈值提高，模型变得更加挑剔并错过更多真实骨折，尤其在高阈值时更明显。分析显示，虽然多数患者被赋予较高的骨折分数，但仍有一部分症状较隐匿的患者得分较低，若阈值设定过高则可能被漏诊。

这项工作对患者和医生的意义

通俗地说，这项研究表明，一个精心设计的人工智能系统可以仅凭简单的影像级标签学会识别X光片上的骨折，并以比单纯黑箱式是/否答案更容易解释的方式突出可疑区域。然而，目前的结果主要来自一个经过整理的公开数据集和一个缺乏配对无骨折对照的医院队列，因此在繁忙门诊中漏诊与误报之间的真实平衡尚不确定。在像FAD‑MIL这样的工具能够安全支持急诊医生之前，还需要在多家医院和多样的患者群体中进行前瞻性测试，并对阈值进行仔细调整，以便在尽可能多发现真实骨折的同时避免因误报而造成负担过重。

引用: Xue, F., Zhang, Y., Zhao, W. et al. FAD-MIL: a weakly supervised fracture detection model based on X-ray images. Sci Rep 16, 13868 (2026). https://doi.org/10.1038/s41598-026-44675-2

关键词: 骨折检测, X光成像, 深度学习, 多实例学习, 医学人工智能