兽医骨折诊断：针对犬类长骨骨折的深度学习模型

这对宠物和它们的主人为何重要

当犬只突然开始跛行时，每一分钟等待答案都觉得漫长。兽医依赖X光影像来判断是否骨折以及损伤的严重程度，但解读这些影像有时既耗时又不确定。本研究探讨了如何利用从实例中学习的计算机程序，帮助兽医更快、更一致地识别并分类犬只某些腿部骨折，为治疗提供更快的指导并让主人更安心。

日常兽医实践中的骨折问题

犬只骨折是兽医门诊常见的问题。受影响的动物可能表现出疼痛、肿胀、难以站立或肢体异常弯曲。腿部的长骨，如股骨或胫骨，尤其重要，因为它们承载犬只的体重。这些断裂有多种型态，从干净的直线到扭曲或粉碎的碎片不等，兽医必须判断断裂的位置、骨片的相对位置以及是否累及关节。判断准确至关重要，因为它决定了是选择简单的静养、夹板固定还是复杂手术。

智能软件如何解读X光

作者构建了一个计算机系统，用来分析犬只腿部的常规X光片，并在两种常见的长骨骨折类型——斜股骨折（oblique）和重叠型（overriding）之间做出判断。系统核心是一个强大的图像识别模型ResNet50，这是一类能从图片中捕捉细微模式的深度学习网络。为比较性能，研究者还测试了若干其他常用模型。由于可用的标注兽医影像稀少，他们增加了一个自动步骤，将X光中仅包含骨折的区域分离出来，帮助模型集中关注最重要的部分。

在小规模图像集上做最大化利用

此项工作面临的一个挑战是，研究者起初只有44张合适的X光图像，远少于深度学习系统通常所需的数据量。为此，他们采用了称为数据增强的策略，计算机通过旋转、缩放和对图像进行细微变换来生成每张原始图像的多种真实感变体，同时保持骨折模式不变。他们还仔细平衡了各骨折组的图像数量，以免模型偏向某一类型。随后将数据集划分为训练集、验证集和测试集，以便最终结果能反映模型在未见过图像上的表现。

系统的表现如何

训练结束后，ResNet50在测试图像上几乎没有将骨折分错。其准确率接近100%，并在衡量正确识别与正确排除各类骨折的相关指标上得分很高。与另外六种深度学习模型相比，ResNet50不仅分类更准确，还在多次测试中表现出更强的分类区分能力。作者还评估了各模型的运行速度和内存占用，发现ResNet50在速度、资源使用与可靠性之间取得了良好平衡。

这对未来兽医就诊的意义

这项研究表明，经过精心设计的学习系统可以通过在X光片上高一致性地标记并分类某些犬只腿部骨折来支持兽医。尽管目前工作聚焦于两种骨折类型和相对较小的图像集，但相同方法可扩展到更复杂的损伤和更大规模的影像库。随着时间推移，这类工具有望在临床中作为一种静默的助手，提供快速的第二意见，帮助兽医更早制定治疗方案，提升受伤犬只获得快速且准确护理的机会。

引用: Saber, A.S., Selim, I., Askr, H. et al. Veterinary fracture diagnosis: a deep learning model for dogs long bone fractures. Sci Rep 16, 15098 (2026). https://doi.org/10.1038/s41598-026-50387-4

关键词: 犬类骨折, 兽医放射学, 深度学习, X光成像, 骨折诊断