2.1 上肢骨折

    已有研究者尝试使用CNN模型来检测骨折，并根据已知的分类系统(如Neer分类)对骨折进行分类。Chung等[5]开发了一种深度CNN算法，可在肩部前后位X线片上对肱骨近端骨折进行检测和分类，将正常肩部与肱骨近端骨折区分开来，准确度、敏感度和特异性分别达到96%、99%和97%。一般来说，使用CNN对骨折进行分类具有一定的挑战性，准确度仅有65% ～ 86%。但总体而言，使用CNN的检测表现优于普通放射科医师和普通骨科医师，与具有肩部专业知识的骨科医师相当，特别是在复杂的三部分和四部分骨折的检测中，其性能优势表现得更为明显。

    Kim等[6]发现，使用中等训练数据集(约1 400张X线片)并在非医学图像上进行预训练的深度CNN迁移学习可用于腕部侧位X线片的骨折检测，其AUC为0.954，敏感度和特异性分别为90%和88%。迁移学习运用一种模型，能从本质上减少计算需求和大量训练的要求，因该模型已学习了可用于完成所有医学和非医学图像识别任务的低级图像特征(线、边缘和曲线等)，只需使用用于完成特定医学图像检测任务的训练数据集(如X线片)对网络模型进行再训练即可。使用具有出色模型性能的迁移学习可大大减轻获取大量数据以进行稳健的网络开发的负担 ......