MV-CortexGuard: detecting subtle pediatric wrist fractures through cortical structure representation, anatomy-constrained multi-view consistency, and risk- controlled abstention

Technische Samenvatting: MV-CortexGuard

Probleemstelling
De detectie van subtiele pediatrische polsfracturen op röntgenfoto's vormt een aanzienlijke uitdaging vanwege de complexe, ontwikkelende anatomie van de polsen van kinderen. In tegenstelling tot volwassenen vertonen pediatrische polsen epifysen, groeischijven en ossificatiecentra die visuele gelijkenissen creëren met fracturen, wat zich vaak manifesteert als focale corticale onderbrekingen, milde welvingen of fijne lineaire lucenties. Deze bevindingen worden vaak gehinderd door overlappende botten, variaties in projectiehoek en verschillen in belichting.

Bestaande deep learning-benaderingen voor fracturedetectie behandelen elke röntgenfoto doorgaans als een onafhankelijke input, waarbij ze er niet in slagen om de directionele continuïteit van de cortex of het complementaire bewijs geleverd door gepaarde Anterieur-Posterieur/Posterieur-Anterieur (AP/PA) en Laterale (LAT) opnames gezamenlijk te modelleren. Bovendien vertrouwen standaarddetectoren vaak op enkelvoudige klasse-betrouwbaarheidsscores die de voorspellende risico's niet adequaat reflecteren, wat leidt tot overmoedige fouten in moeilijke gevallen. Huidige methoden hebben ook moeite met het onderscheiden van subtiele fracturen van normale anatomische structuren (bijv. groeischijven) die sterke randresponsen produceren, en ze missen mechanismen om af te zien van beslissingen bij risicovolle onderzoeken.

Methodologie
De auteurs stellen MV-CortexGuard voor, een multi-view, risico-bewust netwerk ontworpen voor de detectie van subtiele pediatrische polsfracturen. Het framework integreert drie kernmodules om structurele representatie, cross-view consistentie en voorspellende betrouwbaarheid aan te pakken:

1. Bone-Axis-Aligned Cortical Discontinuity Representation (BACD):

   • Deze module adresseert de uitdaging van posevariatie en de noodzaak om structurele abnormaliteiten expliciet te modelleren.
   • Het schat automatisch de as van het polsbeen in vanuit een bot-responsmap en transformeert kenmerken naar een genormaliseerd anatomisch coördinatensysteem.
   • Het extraheert corticale verschilresponsen langs drie specifieke richtingen: de as van het bot, de normaal daarvan en de lokale kromming.
   • Door fracturedetectie te kaderen als het modelleren van een focale loss van continuïteit in plaats van generieke saliëntie-versterking, onderscheidt BACD subtiele fracturen van visueel vergelijkbare normale structuren zoals groeischijven.

2. Anatomy-Constrained Multi-View Query Fusion (ACMQF):

   • In plaats van kenmerken op pixelniveau te fuseren, voert ACMQF cross-view interactie uit op het niveau van de kandidaat-query tussen AP/PA- en LAT-opnames.
   • Het berekent compatibiliteitsscores op basis van de verschijning van de kandidaat, de genormaliseerde longitudinale positie langs de botas, de verdeling in de botregio en de betrouwbaarheid van het bewijs.
   • Cruciaal is dat het een leerbare null-query gebruikt om de afwezigheid van een betrouwbare tegenhanger te representeren. Dit voorkomt het geforceerd matchen van laesies die slechts in één opname zichtbaar zijn, waardoor view-specifiek bewijs behouden blijft wanneer een fractuur niet waarneembaar is in de complementaire projectie.

3. Multi-source Uncertainty and Risk-controlled Rejection (MURR):

   • Om het probleem van overmoedige voorspellingen aan te pakken, aggregeert MURR meerdere bronnen van onzekerheid tot een onderzoek-niveau risicoscore.
   • Deze bronnen omvatten: epistemische onzekerheid (model onenigheid via stochastische adapter heads), aleatorische onzekerheid (beeldruis/contrast), cross-view onenigheid, lokalisatie-instabiliteit en beeldkwaliteit betrouwbaarheid.
   • Het systeem gebruikt een selectief voorspellingsmechanisme: onderzoeken met een laag risico worden automatisch geclassificeerd, terwijl hoog-risico gevallen (waar de onzekerheid een gekalibreerde drempel overschrijdt) worden doorverwezen voor deskundige beoordeling.

Belangrijkste Bijdragen

• Anatomisch Geïnformeerde Representatie: De introductie van BACD verschuift het detectieparadigma van data-gedreven saliëntie naar de expliciete modellering van corticale continuïteit ten opzichte van de botas, wat de detectie van laag-saliente fracturen verbetert.
• Gestructureerde Multi-View Fusie: ACMQF vestigt een nieuwe strategie voor kandidaat-niveau fusie die anatomische beperkingen respecteert en een null-query mechanisme gebruikt om de zichtbaarheid in één view te hanteren, waardoor spuria (valse) correspondenties die gebruikelijk zijn bij dichte feature fusie worden vermeden.
• Risico-Gecontroleerde Automatisering: De MURR-module biedt een verenigd framework voor multi-source onzekerheidsschatting, wat een controleerbare afweging mogelijk maakt tussen geautomatiseerde dekking en foutpercentages door middel van risico-gecontroleerde onthouding.

Resultaten
Geëvalueerd op de GRAZPEDWRI-DX dataset (bevatgend 20.297 pols-röntgenfoto's van 6.091 kinderen), demonstreerde MV-CortexGuard superieure prestaties vergeleken met state-of-the-art baselines (YOLOv8-AM, RT-DETR-R50, en YOLOv10m):

• Detectie Nauwkeurigheid: Het model bereikte een Average Precision (AP) van 63,4% bij IoU-drempels van 0,50–0,95, waarmee het YOLOv10m met 3,3 procentpunt versloeg.
• Detectie van Kleine Fracturen: In de op grootte gedefinieerde subset van kleine fracturen bereikte het model een AP van 52,7%, wat YOLOv10m met 6,6 procentpunt overtreft.
• Prestaties op Onderzoeksniveau: De Area Under the Receiver Operating Characteristic Curve (AUROC) voor diagnose op onderzoeksniveau was 0,969.
• Onzekerheid en Kalibratie: De onzekerheidsmodule reduceerde de Expected Calibration Error (ECE) tot 0,024 en de Area Under the Risk–Coverage Curve (AURC) tot 0,0107.
• Selectieve Voorspelling: Bij een werkpunt gericht op een selectieve foutenmarge van 5%, accepteerde het model 94,3% van de testonderzoeken voor automatische classificatie, waarbij het de Deep Ensemble en MC Dropout baselines aanzienlijk overtrof in dekking terwijl het een lager risico behield.

Betekenis en Claims
Het artikel claimt dat MV-CortexGuard de detectie nauwkeurigheid, cross-view diagnostische consistentie en voorspellende betrouwbaarheid van subtiele pediatrische polsfracturen verbetert. De auteurs benadrukken dat de integratie van anatomische beperkingen (botas uitlijning) en multi-view consistentie (via ACMQF) cruciaal is voor het onderscheiden van fracturen van normale ontwikkelingsanatomie.

Verder benadrukken zij de klinische waarde van het risico-gecontroleerde onthoudingsmechanisme. Door hoog-risico onderzoeken te identificeren voor deskundige beoordeling, biedt het systeem een pad naar veiligere klinische implementatie waarbij geautomatiseerde beslissingen alleen worden genomen wanneer de zekerheid en consistentie hoog zijn.

Beperkingen en Toekomstige Richtingen
De auteurs geven expliciet aan dat de studie een methodologische validatie is met behulp van een enkele publieke dataset. Zij merken op dat de resultaten de generaliseerbaarheid over verschillende instellingen, apparatuur of demografische distributies niet vaststellen. Het artikel roept op tot multicentrische externe validatie, locatie-specifieke kalibratie en prospectieve lezersstudies om mens-AI samenwerking en workflow-integratie te evalueren voordat klinische implementatie plaatsvindt. De gerapporteerde prestatie-indicatoren en risicodrempels zijn specifiek voor de onderzoekssetting en mogen niet worden geïnterpreteerd als universele klinische garanties.