儿童腕部细微骨折不再只看单张片：MV-CortexGuard把正侧位证据配对，小骨折AP提高6.6个百分点

这套多视角网络把儿童腕部X光片的细微骨折检出，从单张图像上的显著性判断，改成沿骨轴方向检查皮质是否连续，并把正位与侧位两张投影的候选病灶配对。 此前的骨折检测器大多把每张X光片当作独立输入，靠更换检测器、加入通用注意力或调整多尺度特征融合来提升整体表现，没有系统建模细微骨折的结构特征，也没有利用同一检查中正位与侧位片的互补关系。 在GRAZPEDWRI-DX内部测试集上，MV-CortexGuard的AP@50–95为63.4%，比表现最好的对照YOLOv10m高3.3个百分点，患者级自助法给出的95%置信区间为2.1至4.6个百分点；在按面积定义的小骨折子集上，其平均精度为52.7%，比YOLOv10m高6.6个百分点。

骨轴对齐的皮质不连续表示先从高分辨率特征估计腕骨走向，把特征旋转到近似竖直的解剖坐标，再沿骨轴、骨轴法线和局部曲率三个方向计算皮质差异。 这种表示名为BACD，它用骨响应图的加权质心与协方差矩阵的主特征向量确定骨轴，不需要额外的人工骨轴标注，并用可微空间变换把特征对齐后再映射回原图坐标。 消融显示，在共享编码器与集合预测检测头的基线上加入BACD，AP@50–95从58.4%升到60.7%，小骨折子集平均精度从44.6%升到49.0%；从完整模型中移除方向差异，这两项分别下降1.9和3.8个百分点。

解剖约束的多视角查询融合在候选查询层面交换正位与侧位信息，并用一个可学习的空查询表示另一视角没有可靠对应证据。 该模块名为ACMQF，它把候选外观相似度、沿骨轴的归一化纵向位置、骨区分布和证据可靠性合成为匹配分数，避免在稠密特征层面强行配对造成虚假对应。 与标准交叉注意力相比，ACMQF把小骨折子集平均精度提高3.7个百分点，检查级AUROC从0.961升到0.969；对仅单视角可见的骨折，含空查询的完整模型灵敏度为88.9%，比去掉空查询的模型高5.6个百分点。

多源不确定性与风险控制拒判把认知不确定性、偶然不确定性、正侧位分歧、定位不稳定和图像质量可靠性合成检查级风险分数，超过阈值的检查不给出自动结论而转专家复核。 该模块名为MURR，它用四个共享主干、各自保留低秩适配参数的检测头估计预测分歧，并在留出验证集上确定概率阈值与风险接受阈值。 加入MURR后，AP@50–95和小骨折子集平均精度各只提高0.4个百分点，但期望校准误差从0.047降到0.024，风险–覆盖率曲线下面积从0.0196降到0.0107；在验证集选定的5%选择性错误率工作点上，模型自动接受了94.3%的内部测试检查。

结果建立在公开的GRAZPEDWRI-DX数据集上，采用患者级6:2:2划分，训练、验证与内部测试均来自同一数据来源；模型选择、概率校准和拒判阈值都在留出验证集上确定，测试集只用于最终评估。小骨折子集按训练集骨折框归一化面积的25百分位定义，阈值0.0016在验证集和测试集上保持不变。作者提出下一步需要多中心外部验证和风险控制计算机辅助诊断的阅片者研究。

作者指出，开发与评估只在一个公开数据集上完成，不能据此确立跨机构、跨设备、跨采集协议和不同骨折患病率下的泛化性；小骨折子集按面积定义，只是感知细微程度的代理指标，可能漏掉因低对比度、重叠或发育解剖而困难的骨折，阈值也可能依赖数据集。验证集同时用于模型选择、校准和阈值确定，没有独立的外部校准队列；缺失投影和图像退化是模拟的，斜位等非标准投影未测试；亚组分析只覆盖年龄和性别，8岁以下组的置信区间较宽。研究没有前瞻性阅片、工作流整合或患者结局评估，拒判工作点假设被转出的检查能得到适当的专家复核。