基于YOLOv8的模型在腰椎侧位X光片上的应用，用于筛查急性和慢性胸腰椎骨折以及骨质疏松症

《BMC Musculoskeletal Disorders》：Application of a YOLOv8-based model on lateral lumbar radiographs for screening of acute and chronic thoracolumbar fractures and osteoporosis

　　

摘要

背景

在传统的侧位腰椎X光片上区分急性和慢性楔形胸腰椎椎体畸形在临床上仍然具有挑战性，尤其是在需要考虑骨质疏松症状况时。本研究旨在开发并评估一个名为“YOLOv8n”的框架，用于在侧位腰椎X光片上检测和分类伴有骨质疏松症的胸腰椎骨折。

方法

我们回顾性地收集了1352名患者的1352张侧位腰椎X光片（每位患者一张）。共手动标注了1774个椎体骨折段。使用腰椎磁共振成像（MRI）和双能X射线吸收测定法（DXA）作为参考标准，将椎体目标分为三类：伴有骨质疏松症的急性骨折、无骨质疏松症的急性骨折以及伴有骨质疏松症的慢性骨折。数据集在患者层面被分为训练集和验证集。主要模型为YOLOv8n检测器。为了增强方法的严谨性，还使用YOLOv5n和Faster R-CNN在同一患者层面的训练/验证划分下进行了额外的基线比较实验。检测性能通过精确度、召回率、F1分数、平均精确度（mAP）50和mAP50-95来评估。

结果

在验证集上，YOLOv8n模型的精确度为0.495，召回率为0.482，F1分数为0.490，mAP50为0.506，mAP50-95为0.397。在比较实验中，YOLOv5n的精确度为0.451，召回率为0.549，F1分数为0.495，mAP50为0.494，mAP50-95为0.367；而Faster R-CNN的精确度为0.273，召回率为0.814，F1分数为0.409，mAP50为0.300，mAP50-95为0.217。这些结果表明，YOLOv8n在当前数据集中提供了最平衡的整体检测性能。

结论

所提出的YOLOv8n框架展示了在侧位腰椎X光片上自动检测和分类伴有骨质疏松症的胸腰椎骨折的初步可行性。然而，鉴于其整体性能较为中等且缺乏外部验证，当前模型应被视为辅助筛查工具，而非独立的诊断系统。