提出了一个针对 X 光诊断中骨盆和髋部骨折的两阶段方法，首先使用深度全卷积网络在训练数据中挖掘出可能的真实阳性和确定的硬阴性感兴趣区域，其次使用挖掘出的感兴趣区域训练一个更加一般化的模型来执行局部分析以对骨折进行分类。在 23 位受试者中的初步读者研究中，该方法表现出与人类医师 (甚至胜过急诊医生和外科医生) 不相上下的性能。

Sep, 2019

使用深度学习模型对 17,587 个 X 光片进行训练，研究了骨折的影像学特征、患者特征和医院过程特征对其影响，发现这些因素是计算机辅助诊断算法预测的主要来源，表明应该进一步研究深度学习决策过程以有效协作。

Nov, 2018

本研究提出了一种基于深度学习的系统，可以自动从一份放射学报告中检测出 14 个关键点，并测量 3 种解剖角度，从而对髋关节发育不良（DDH）的疾病等级进行分类。通过提出的打分系统，本研究可以为骨科医生提供可靠且可解释的临床决策支持。

Sep, 2022

通过训练 Faster R-CNN 深度学习网络，在只有 38 张有骨折的手部 X 光图像的情况下，可高精准度地识别和定位远端桡骨骨折，其准确性为 96％，平均精度为 0.866，并且较医生和放射科医师检测结果更为准确。这一技术为检测罕见疾病或常见疾病的罕见症状打开了可能性。

Dec, 2018

本研究介绍了一种用于骨折分类的简单而健壮的训练方法，相较于现有方法取得了明显的优势性能，仅需少于十个 epochs，利用最新的数据集建立了最佳模型。我们强调了负责任和高效地训练深度学习模型以及选择高质量数据集的重要性。

Jun, 2024

本研究提出了基于课程学习的的策略来支持从 X 射线图像中分类识别近端股骨骨折，并将基于医学决策树和多个专家的注释不一致性等医学知识作为依据，使我们能够为每个训练样本分配一个难度等级。通过启动学习 “简单” 示例并向 “困难” 的示例移动，我们证明了该模型可以在更少的数据情况下达到更好的性能，与类均匀和随机策略相比，提出的基于医学知识的课程表现在准确性方面达到了高达 15％的优势，并实现了有经验的创伤外科医生的表现水平。

Apr, 2020

该研究使用深度学习技术，通过一个两阶段的流程，识别并定位颈椎骨折，验证了该算法显著减轻放射科医生的工作量并提高骨折检测的准确性。

Nov, 2023

通过使用卷积神经网络（CNN）从髋部 DXA 图像中提取特征，并结合临床变量、形态测量和纹理特征，我们提出了一种新颖的分段模型，用于评估老年人和中年人髋部骨折风险。该分段模型通过将集合模型 1（仅临床变量）的不确定性加入决策流程，以确定是否需要进一步预测 DXA 特征，而集合模型 2（临床变量和 DXA 成像特征）的表现最佳，实现了 AUC 为 0.9541，准确率为 0.9195，敏感性为 0.8078，特异性为 0.9427。此外，该分段模型建议 54.49% 的患者不需要进行 DXA 扫描，既提高了准确性又降低了费用与辐射。

May, 2024

本文提出了一种新的 omni-supervised 目标检测网络 ORF-Netv2 以尽可能地利用全部可用的监督信息，特别是针对刻画医疗数据的挑战性，该网络结合多种型号监督训练出一个多分支的 omni-supervised 检测头，并提出基于协同训练的动态标签分配策略，从而灵活、稳健地从弱标签和无标签数据中学习。这个 framework 在三个肋骨骨折数据集上获得了显着效果。

Jun, 2023

本文提出了一个基于深度卷积神经网络的乳腺癌筛查检查分类方法，并在超过 200,000 个检查（超过 1,000,000 张图像）上进行了训练和评估。该网络在筛查人群中预测乳腺癌的 AUC 为 0.895，其高准确度的原因是采用了两阶段训练程序，并通过可靠的读者研究验证了准确性。最后，研究发现由我们的神经网络预测恶性概率与放射科医生的预测平均值相结合会更加准确。

Mar, 2019