用于检测3岁以下儿童隐匿性胫骨（tibia）骨折的人工智能：基于YOLO架构联合卷积块注意力模块（Convolutional Block Attention Module, CBAM）的分析

《Radiography》：Artificial intelligence for detecting subtle paediatric tibial fractures in children under three years: An analysis of YOLO architectures with convolutional Block attention

　　

引言（Introduction）：3岁以下儿童的隐匿性胫骨（tibia）骨折，尤其是疑似躯体虐待（suspected physical abuse/non-accidental injury, NAI）病例中常被漏诊。早期准确识别对临床决策及儿童保护至关重要。本研究评估基于YOLO（You Only Look Once）的目标检测模型能否可靠检测儿科X线（Radiograph）片上的隐匿性胫骨（tibia）骨折。 方法（Methods）：回顾性收集245例骨折及637例非负骨折前后位（Anterior–Posterior, AP）X线影像。骨折由放射科医师验证并使用多边形标注。采用五折交叉验证（five-fold cross-validation）训练YOLOv5、YOLOv8及YOLOv11，并考察加入卷积块注意力模块（Convolutional Block Attention Module, CBAM）的效果。以mAP50、mAP50–95及每幅影像诊断准确率评估性能，利用特征图激活最大化类（Eigen-CAM）热力图评估模型可解释性。 结果（Results）：YOLOv8总体性能最优。加入CBAM改善了定位效果并使平均检测置信度提升10.6%。隆起（buckle/torus）骨折检出最可靠，骨膜（periosteal）及螺旋（spiral）骨折仍具挑战性，可能源于样本量不足及影像学表现隐匿。 结论（Conclusion）：YOLO系列模型在婴幼儿胫骨（tibia）隐匿性骨折检测中具有潜力，CBAM可进一步提升困难病例表现。需更大规模多中心数据集以增强泛化能力。 实践意义（Implications for practice）：AI辅助检测可支持放射科医师判读疑似非意外损伤（NAI），减少漏诊并优化诊断流程，尤适用于缺乏小儿骨放射专科经验的机构。

论文解读：基于YOLO与CBAM的3岁以下儿童隐匿性胫骨（tibia）骨折X线（Radiograph）检测研究

一、研究背景与立题依据

胫骨（tibia）骨折是2岁以下儿童第二常见的骨折类型，约占22.5%，在疑似非意外损伤（Non-Accidental Injury, NAI）/躯体虐待患儿中尤为多见。其影像学表现多样，涵盖典型干骺端损伤（classic metaphyseal lesions, CMLs）、隆起（buckle/torus）、青枝（greenstick）、幼儿（toddler's）、横断（transverse）、斜形（oblique）、螺旋（spiral）及骨膜（periosteal）骨折等。其中干骺端及无移位骨折在常规X线（Radiograph）上极为隐匿，初诊极易漏诊或延迟诊断。漏诊可能延误儿童保护措施，误诊则引发不当指控，后果严重。尽管成人及CT骨折AI检测已有进展，但专门针对3岁以下幼儿胫骨（tibia）AP位X线（Radiograph）隐匿性骨折的研究几近空白，现有商业工具对无移位螺旋骨折、干骺端损伤检出率偏低（常<80%），且无工具专门面向<3岁疑似NAI人群。因此，研究人员拟评估单阶段目标检测YOLO架构及引入卷积块注意力模块（Convolutional Block Attention Module, CBAM）对幼儿胫骨（tibia）隐匿性骨折的检测价值。本文发表于《Radiography》。

二、主要关键技术方法

研究人员经英国NHS信托机构伦理批准（REC: 22/HRA/1319），回顾性收集2012–2022年合作NHS Trust中<36个月患儿下肢前后位（Anterior–Posterior, AP）骨骼摄片/骨骼调查（skeletal surveys），最终纳入骨折影像245幅（含骨膜n=48、幼儿n=19、横断n=12、隆起n=58、斜形n=41、青枝n=3、螺旋n=64）及非负骨折637幅。由资深小儿放射摄影师用ImageJ以四边形多边形标注骨折区域，顾问放射科医师独立复核确立金标准。为解决类别不平衡，骨折影像增广3倍、非负骨折1倍（含翻转、伽马校正、亮度/对比度调整、Solarisation及限制对比度自适应直方图均衡化CLAHE），采用五折交叉验证。分别训练YOLOv5（C3模块）、YOLOv8（C2f模块）及YOLO11（C3k2模块+改进PAN/FPN），各版本均构建含CBAM（串联通道与空间注意力）及不含CBAM的检测头变体，共30个模型。以1024×1024输入、200 epoch（早停patience=10）、学习率0.01训练，评价指标为mAP50（IoU≥50%平均精度均值）、mAP50–95（IoU阈值0.50–0.95步长0.05之平均精度均值）及每幅影像诊断准确率，并以Eigen-CAM生成热力图验证可解释性。

三、研究结果

Results（结果总述）

YOLOv8在整体精确率（Precision）、召回率（Recall）及定位精度上表现最佳，优于YOLOv5与YOLOv11；YOLOv5在验证集与测试集间泛化较稳定。各折指标误差条较宽，反映小样本、隐匿表现及图像间差异大。因金标准为多边形标注，矩形预测框IoU天然偏低致mAP绝对值不高。

Subtype-level performance（亚型水平表现）

按骨折亚型统计测试集正确检出率（预测框与多边形标注IoU≥50%）：隆起（buckle）骨折74%最高，螺旋（spiral）64%、斜形（oblique）63%，横断（transverse）因测试仅3例无法诠释，幼儿（toddler's）因单例剔除，骨膜（periosteal）骨折仅4%最难检。表明高对比或结构明显特征利于CNN检测，低对比线性透亮线（骨膜反应、无移位螺旋骨折）仍系技术难点。

Eigen-CAM visualisation（Eigen-CAM可视化）

Eigen-CAM热力图显示所有架构均能定位骨折，CBAM变体预测框置信度更高且注意力更聚焦骨折区；CBAM-YOLOv5与YOLO11注意力集中于骨折本身，CBAM-YOLOv8偏重胫骨骨干。螺旋骨折原始模型常低置信或漏检，CBAM改善其定位可靠性，平均提升预测置信度10.6%，YOLOv8+CBAM定位改善最显著。

四、讨论与结论翻译

讨论（Discussion）要点：

关键发现为YOLOv8综合最优，CBAM持续增强定位与置信度，提示注意力机制可部分抵消CNN偏好高对比特征之偏差，引导网络关注稀疏隐匿征象。骨膜及无移位螺旋骨折难检符合儿科影像学界已知难点——急性早期干骺端病变及细微骨膜反应X线表现微弱，即便高年资医师亦难判读。单AP位可能弱化部分皮质改变显示，多体位或有益。局限含样本量小、亚型不均衡（未用重加权/focal loss）、无外部验证，优势含系统比对YOLO族、放射科医师多边形标注、CBAM整合及Eigen-CAM可解释性分析。

结论（Conclusion）翻译：

本研究中，基于YOLO的模型——特别是融合卷积块注意力模块（CBAM）的YOLOv8——在辅助检测幼儿隐匿性胫骨（tibia）骨折方面显示出前景。注意力模块改善了定位能力、预测置信度及对困难骨折亚型的特征聚焦。然而，性能仍受数据稀缺、亚型不均衡及部分骨折固有低对比度限制。未来需多中心大样本验证、多体位成像策略、扩充数据集及探索Transformer或混合注意力等新架构，以进一步提升<3岁疑似非意外损伤（NAI）情境下隐匿骨折检测水平。这些发现同时揭示了基于卷积神经网络（Convolutional Neural Network, CNN）骨折检测的潜力与当前局限，为后续方法与临床推进提供路线图。