深度学习模型用复位前X线片与临床人口学数据预测手外科医生对桡骨远端骨折的手术建议，测试集准确率87.14%、敏感度97%
核心概要
该可行性研究训练了一个卷积神经网络处理复位前损伤X线片，并将其输出与临床和人口学数据一起输入随机森林模型，在1040例桡骨远端骨折患者（884例训练、156例测试）中预测同一机构一组手外科专科医生是否建议手术治疗，测试集上组合模型达到准确率87.14%、敏感度97%、特异度73%、ROC曲线下面积0.96、Brier评分0.10，Grad-CAM显示模型关注骨折移位等临床相关区域，SHAP提示年龄与腕部侧位X线片是重要预测因素。
深度剖析
研究证明可以用复位前损伤X线片加临床与人口学数据，预测手外科专科医生对桡骨远端骨折是否建议手术。 此前手术与否的判断依赖临床判断与影像参数，该研究把“医生会怎么建议”本身作为可预测目标，并给出组合模型的量化性能。 单机构可行性研究，1040例患者中884例训练、156例留出测试；测试集准确率87.14%、敏感度97%、特异度73%、AUC 0.96、Brier评分0.10。
卷积神经网络与随机森林的组合架构可同时利用影像与结构化临床数据。 将CNN对X线片的输出与临床和人口学数据在随机森林中结合，而非仅用单一影像模型或单一表格模型。 方法部分明确描述CNN在复位前损伤X线片上训练，其输出与临床和人口学数据在随机森林模型中组合，并在留出测试集上评估。
模型的可解释性分析指向了临床可理解的依据。 通过Grad-CAM热力图与SHAP解释，把预测归因到具体影像区域与临床特征，而不只是给出分类结果。 Grad-CAM显示CNN关注骨折移位等临床相关特征；SHAP分析显示年龄与腕部侧位X线片是预测的关键贡献因素。
启示与展望
该结果面向的是在初始就诊场景中，用复位前损伤X线片与临床和人口学数据，预测同一机构一组手外科专科医生对桡骨远端骨折是否建议手术；作者将其定位为试点可行性研究，并指出后续工作将聚焦外部验证、扩大数据集以及纳入更多影像特征以优化性能与泛化能力。对读者而言，这提示该思路可用于患者咨询与强化及时随访专科医生的场景，但适用性以本研究所处的机构与医生群体为界。
读者仍需留意：这是单机构、单组医生的可行性研究，作者本人也把外部验证、扩大数据集与纳入更多影像特征列为未来工作；因此模型在其他机构、其他医生群体与不同影像条件下的表现，以及“预测医生建议”与真实治疗决策之间的关系，仍是待回答的问题。此外，本文为全文文本，未包含图表细节，Grad-CAM与SHAP的具体可视化内容无法在此进一步核对。