基于深度学习的腕部骨折X光检测与AO分型辅助诊断研究综述.docVIP

基于深度学习的腕部骨折X光检测与AO分型辅助诊断研究综述

一、腕部骨折临床诊疗需求与传统诊断痛点

腕部是人体活动最频繁、最易受外力损伤的部位之一，临床数据显示，腕部骨折占全身骨折总数的17%~25%，其中老年人群因骨质疏松发病率较高，65岁以上群体腕部骨折年发生率可达1.2‰，儿童运动损伤、青壮年交通事故及高坠伤也是重要致病因素。腕部骨折的诊疗效果与诊断时效、分型准确性高度相关，AO分型作为国际通用的骨折分型标准，将腕部骨折分为A（关节外骨折）、B（部分关节内骨折）、C（完全关节内骨折）三个大类，每类下设3个亚组共27种细分类型，不同分型对应复位方式、固定方案和预后评估存在显著差异，分型错误可能导致畸形愈合、腕关节功能障碍、创伤性关节炎等严重并发症，致残率可达8%~12%。

传统腕部骨折诊断依赖影像科医师人工阅片，存在三个核心痛点：一是诊断效率受限，急诊场景下单例腕部X光阅片+分型平均耗时5~8分钟，高峰时段大量患者积压可能延误黄金诊疗时间；二是诊断准确率受医师经验影响显著，低年资医师对隐匿性骨折、复杂关节内骨折的漏诊率可达15%~20%，AO分型一致率仅为65%左右；三是分级诊疗场景下基层医疗机构影像人才不足，部分社区医院无专职放射科医师，腕部骨折漏诊误诊率长期居高不下。在此背景下，借助深度学习技术实现腕部骨折的自动化检测与AO分型辅助诊断，成为医学影像人工智能领域的研究热点。