En este artículo, desarrollamos un sistema de aprendizaje profundo multimodelo para ayudar en el diagnóstico temprano de fracturas de hombro, que a menudo se pasan por alto en entornos de atención de emergencia y de alto volumen de pacientes. Utilizando 10,000 radiografías de hombro anotadas X, desarrollamos modelos basados en arquitecturas como Faster R-CNN, EfficientDet y RF-DETR, y aplicamos técnicas de cuadro delimitador y conjunto a nivel de clasificación como Soft-NMS, WBF y fusión NMW. Como resultado, el conjunto NMW logró una precisión del 95.5% y una puntuación F1 de 0.9610, superando a los modelos individuales en todas las métricas clave. Esto confirma su eficacia para la detección clínica de fracturas en radiografías de hombro X. El modelo en este estudio se limita a la detección binaria de fracturas para apoyar el triaje y la clasificación rápidos.
