3 深度学习在骨折检测中的不足和未来发展方向

    骨折检测的深度学习应用程序主要基于计算机视觉，这意味着算法的输入仅是单纯的图像数据，而无需考虑患者或医院的协变量。但是，算法可从训练数据集的像素中学习到患者和医疗过程模式，且所有训练数据集都有一定程度的内部偏差和混淆。例如，混杂的变量(从图像排序到图像获取间的时间或使用特定的扫描仪获取X线片等)与识别患者的敏感度或临床怀疑骨折有关，此反过来也会影响患者实际拥有显示骨折的图像像素的可能性。

    Badgeley等[17]研究发现，CNN不仅可预测诸如髋部骨折之类的疾病，且还可根据图像像素来预测患者和医院的各种过程变量(如扫描仪型号、品牌和研究重点)。此外，与单独的图像特征相比，将这些具有图像特征的变量直接合并到多模态模型中可改善模型的骨折预测性能(AUC从0.78提高至0.91)。使用骨折风险在患者和医院的过程变量之间达到平衡的保留测试集进行测试，见该模型几乎随机运行(AUC为0.52) ......