每年，全世界都有数百万人发生膝盖附近的骨折。每当这种情况发生时，医生采取的第一步就是查看 X 光图像。这些照片通常从两个不同的角度拍摄：一个从正面，一个从侧面。这种双重视角至关重要，因为骨头上的裂缝在其中一张照片中可能被遮挡，但在另一张中则清晰可见。然而，解读这些图像是一项艰苦的工作。在繁忙的急诊室里，并非骨科专科医生的医生有时会漏掉这些骨折，从而导致治疗延迟和康复时间延长。为了帮助解决这个问题，科学家们一直在教计算机如何观察医学图像，希望它们能够发现人类肉眼可能忽略的损伤。他们使用的工具被称为人工智能模型。其中一些模型的工作方式类似于传统的照相机，通过逐片扫描图像来寻找边缘和纹理；而另一些模型的工作方式则更像人类的大脑，通过一次观察整幅图像来理解不同部分是如何相互关联的。大的问题在于，这些计算机是否能够有效地结合正面和侧面的视图，从而成为可靠的医生助手。
来自智利的一个研究小组着手测试这个想法，并专门针对膝盖骨折进行了研究。他们从医院记录中收集了大量的 X 光图像，选择了 860 组扫描件。其中一半的扫描件显示患者有确定的骨折，而另一半则显示膝盖健康。为了确保计算机学习正确，他们将这些数据分成了用于教学、检查和最终测试的组别。随后，研究人员构建了一个可以同时观察正面和侧面 X 光片的系统。他们并没有简单地将两张图像堆叠在一起，而是设计了一种特殊的机制，允许计算机动态地比较这两个视图。该系统可以决定正面图像的哪些部分是重要的，以及侧面图像的哪些部分更为有用，这模仿了医生如何在不同视图之间转移注意力以寻找隐藏裂缝的过程。他们测试了十种不同类型的人工智能模型，从较简单、较快的模型到更复杂、更新的设计，以观察哪种方法效果最好。
结果显示，计算机在执行这项任务时表现得非常出色。表现最好的模型几乎能在所有情况下正确识别骨折，其准确度达到了与专家级人类阅读者相当的水平。最令人惊讶的是，计算机模型的类型似乎并不像结合两种视图的方式那样重要。当使用这种特殊的对比两种 X 光角度的方法时，无论是较简单、较快的模型还是更复杂、更新的模型，表现都同样出色。最准确的模型达到了 0.94 的评分，表明其具有极高的可靠性。此外，这些系统速度极快，分析每对图像的时间不到一秒。最快的模型处理一张图像仅需 50 多毫秒。研究人员还创建了视觉图谱，以展示计算机正在观察的位置。在计算机判断正确的案例中，这些图谱标出了断裂的确切位置，证明机器不仅仅是在猜测，而是确实聚焦在了损伤处。