做医学影像方向的毕业设计，最头疼的往往是“算法有了，但不像一个完整的系统”。单纯训练一个YOLO骨折检测模型，导师会觉得工作量单薄；只做一个普通Web端上传图片的小项目，又体现不出“AI + 医疗”的亮点。如果把 YOLO 目标检测和大模型多模态分析结合起来，做一个“检测 + 自动生成诊断辅助报告”的系统，从技术栈到呈现效果都会完整很多。

本文围绕这个思路，完整拆解一套可用于计算机毕业设计的医学骨折检测分析系统：基于 YOLO 实现骨折区域的定位与分类，基于 LLM 多模态大模型对 X 光影像做二次分析和自然语言报告生成，再通过前后端分离架构把能力封装成可演示的 Web 系统。文章覆盖可行性分析、环境搭建、模型训练、接口封装、前后端联调和常见问题排查，适合作为系统设计、论文框架和实战编码的参考。

1. 项目背景与核心概念

1.1 为什么选择“骨折检测 + 大模型分析”作为毕设方向

医学影像AI是智慧医疗里落地最广的方向之一，尤其是骨折检测这类任务，具有明确的目标区域、清晰的业务语义和可评估的算法指标，非常适合做毕业设计。相比纯图像分类项目，目标检测能输出骨折位置，而不是只给一个概率值，演示效果更有说服力。

但单纯的目标检测也存在不足：模型只会输出类别、坐标和置信度，不会解释“为什么判断为骨折”“骨折属于什么类型”“建议进一步做什么检查”。这也是临床场景里医生不会只依赖检测框的原因。引入LLM多模态大模型后，系统可以把图像特征转化为结构化的自然语言描述，形成完整的辅助分析报告。

本项目定位是一个教学与研究用途的辅助分析系统，不是医疗器械，不参与临床诊断决策。这一点在论文的“系统边界”和“伦理与安全”部分一定要写清楚，这也是答辩时导师非常关注的点。

1.2 YOLO与LLM多模态大模型分别承担什么职责

整个系统采用“小模型做感知、大模型做认知”的分工方式。

YOLO（You Only Look Once）是端到端的目标检测模型，它的核心优势是速度快、结构简洁、部署方便。在骨折检测任务中，YOLO 负责从 X 光影像中定位疑似骨折区域，输出类似“肘关节骨折，置信度 0.87，坐标 (x_min, y_min, x_max, y_max)”的结构化结果。

LLM 多模态大模型则负责更高层次的语义理解。把 YOLO 裁剪出的骨折区域图像送入多模态大模型，模型可以描述骨质边缘是否连续、是否有错位、骨折类型属于横断、斜行还是粉碎性，并结合区域位置给出可读的辅助分析建议。最终输出的是医生能看得懂的自然语言段落，而不是一组冰冷的坐标。

两者的关系可以概括为：

1.3 这种组合架构的优势和适用场景

把两者串联起来，能互相弥补短板。YOLO 先做目标筛选，避免了把整张大图直接丢给大模型造成的计算浪费，也让“定位”这件事变得可评估、可量化。大模型在目标区域上做细粒度分析，又让系统的输出从“检测框”升级为“辅助分析报告”。

这种架构适合以下场景：

• 高校毕业设计：能同时体现深度学习目标检测、大模型应用、前后端开发、数据库设计，技术覆盖广。
• 研究演示系统：作为医学影像AI辅助分析的原理验证原型。
• 教学实训项目：帮助学生理解模型分工、接口设计、系统集成。

需要特别提醒：真实医疗场景中，模型的可解释性、临床验证、伦理审批、设备认证要求极其严格，本项目的定位应明确为教学演示与科研原型。

2. 系统总体架构与技术选型

2.1 系统模块划分

按功能拆分，系统可以分为四个核心模块：

影像管理模块：负责 X 光影像的上传、存储、预览。影像文件保存到本地磁盘或云存储，数据库只存储路径索引和业务信息。该模块还包括患者信息的建档与查询，支持按患者ID、检查时间等条件检索历史记录。

YOLO 检测模块：服务端集成 YOLO 推理接口，接收影像后完成骨折目标的检测。检测过程在服务端完成，前端不直接依赖深度学习框架。输出结果为结构化JSON，包含检测框坐标、类别和置信度。

大模型分析模块：接收 YOLO 输出的裁剪图像和原始图像，调用多模态大模型生成文本分析。系统会把检测结果、需要重点观察的区域坐标一起组装为Prompt，让大模型的分析有依据。

前端展示与报告模块：Vue前端负责影像展示、检测框可视化、大模型分析报告渲染。检测框使用 Canvas 或 SVG 覆盖在原图上，报告区域展示模型生成的结构化文本。

2.2 技术栈选型建议

版本选择需要结合自己电脑或服务器的实际情况。如果显卡是消费级6GB/8GB显存，建议使用YOLOv8s或YOLOv8n；本文章节中的示例重点演示工程设计思路，模型参数和接口以实际环境为准。

2.3 系统处理流程

整个业务流程可以概括为下面几条链路：

1. 用户在Web端上传X光影像，系统保存原始图片并创建检查记录。
2. 后端调用YOLO推理服务，返回检测目标列表。
3. 后端根据检测框坐标从原图裁剪出局部区域图像。
4. 后端把裁剪图像和结构化检测信息组装成Prompt，调用多模态大模型。
5. 大模型返回分析报告文本，后端将报告与检测结果保存到数据库。
6. 前端刷新结果页，展示原图、检测框、置信度和分析报告。

这个流程把“感知 + 认知”分工体现得很直观。论文中的业务流程图可以使用Visio或draw.io绘制，图例和数据流描述可以参考上述流程。

3. 环境准备与项目初始化

3.1 环境版本说明

本文示例以常见开发环境为例，读者需要根据自己机器的实际情况调整版本，重点是理解配置思路。

3.2 Python 虚拟环境与依赖安装

先创建Python虚拟环境，避免 YOLO、OpenCV、Flask 等包污染系统Python环境。

conda create -n fracture_yolo python=3.9 conda activate fracture_yolo pip install ultralytics pip install opencv-python pip install flask flask-cors pip install requests pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118

这里把目标检测推理封装为独立的Flask微服务，是为了让 Java Web 后端与Python模型解耦。YOLO 模型在 Python 环境中加载和推理最方便，Spring Boot 通过 HTTP 调用 Python 服务，架构清晰，也方便以后单独替换检测模型。

3.3 项目目录结构

整个项目建议分为三个子工程，目录结构如下：

fracture-analysis-system/ ├── fracture-web/ # Vue3 前端工程 │ ├── src/ │ │ ├── api/ # 封装后端接口请求 │ │ ├── views/ │ │ │ ├── UploadView.vue # 影像上传页 │ │ │ └── ResultView.vue # 检测结果页 │ │ └── router/index.js │ └── package.json ├── fracture-server/ # Spring Boot 后端工程 │ ├── src/main/java/com/example/fracture/ │ │ ├── controller/ │ │ ├── service/ │ │ ├── mapper/ │ │ └── entity/ │ └── pom.xml ├── fracture-ai-service/ # Python AI 服务 │ ├── models/ # 存放训练好的YOLO权重 │ ├── app.py # Flask 推理接口 │ ├── detector.py # YOLO检测封装 │ └── llm_analyzer.py # 多模态大模型分析封装 └── docs/ # 论文相关文档与SQL脚本

这种物理隔离的组织方式，在写论文时也能作为“系统架构图”的直接素材，模块边界一眼就能看清楚。

4. 基于YOLO的骨折检测模型

4.1 数据集选择与预处理

骨折检测属于医学影像目标检测任务，数据集的来源和质量直接决定模型效果。毕设场景下常见的数据来源有：

• 公开数据集：如 RSNA 骨骼X光数据集、几所高校和医疗机构开源的手腕/肘关节骨折数据集。
• 导师或合作医院提供的脱敏数据：只用于学术研究，需要签订数据使用协议并完成脱敏。
• 自行整理的数据：从公开渠道收集并人工标注，数量有限，适合做演示原型。

由于骨裂、骨皮质不连续、轻微错位等视觉特征比较细微，建议优先采用 YOLOv8 的预训练权重进行微调，而不是从零训练。公开的COCO预训练模型已经具备丰富的视觉特征提取能力，只需要在骨折数据集上做少量迭代即可收敛。

数据集目录建议遵循 YOLO 格式：

datasets/fracture/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── data.yaml

data.yaml 中要正确指向图片路径，并列出类别。如果项目只检测“骨折”一个类别，可以定义两个类别便于区分骨折类型，例如：

train: datasets/fracture/images/train val: datasets/fracture/images/val nc: 2 names: ['fracture', 'dislocation']

4.2 模型训练

以 YOLOv8 为例，训练脚本非常简洁。实际训练参数要根据GPU显存调整，以下只是结构示例：

from ultralytics import YOLO # 加载预训练权重 model = YOLO("yolov8s.pt") # 训练 model.train( data="datasets/fracture/data.yaml", epochs=100, imgsz=640, batch=16, device=0, patience=20, project="runs/train", name="fracture_yolov8s", seed=42 ) # 验证 model.val() # 导出为ONNX，便于后续部署优化 model.export(format="onnx", dynamic=True)

几个关键参数的作用：

• epochs=100：如果数据量小且使用了预训练，50到100轮足够观察收敛情况。
• imgsz=640：YOLOv8默认输入尺寸，显存不足时可以降到 512。
• patience=20：20轮指标不提升就提前停止，能节省训练时间。
• device=0：使用第一张GPU，没有GPU时改为device="cpu"。

训练完成后，runs/train/fracture_yolov8s/weights/best.pt就是效果最好的权重文件，之后推理服务加载这份权重。

4.3 模型评估与验证

模型不能只看训练集效果。YOLO 训练结束后要在验证集上关注以下指标：

医疗检测场景中，漏检的代价比误检更严重，所以调参时可以适当降低置信度阈值，让模型优先保证召回率，再通过大模型分析过滤部分误检。这种“检测召回高 + 语言模型二次判断”的思路也可以写进论文创新点。

4.4 将 YOLO 封装为 Flask 推理服务

在后端集成中，Spring Boot 不直接加载 PyTorch 模型，而是调用 Python 推理服务。这个 Flask 服务提供两个核心接口：

• POST /detect：传入图片路径或图片URL，返回 YOLO 检测结果。
• GET /health：健康检查，方便 Spring Boot 判断AI服务是否存活。

创建detector.py：

from ultralytics import YOLO import cv2 import numpy as np class FractureDetector: def __init__(self, model_path): self.model = YOLO(model_path) def predict(self, image_path, conf_threshold=0.35): results = self.model.predict( source=image_path, conf=conf_threshold, save=False, verbose=False ) boxes = [] for r in results: for box in r.boxes: x1, y1, x2, y2 = box.xyxy[0].cpu().numpy().tolist() conf = float(box.conf[0].cpu().numpy()) cls_id = int(box.cls[0].cpu().numpy()) class_name = self.model.names[cls_id] boxes.append({ "class": class_name, "confidence": round(conf, 4), "bbox": [round(x1, 2), round(y1, 2), round(x2, 2), round(y2, 2)] }) return boxes

创建app.py：

from flask import Flask, request, jsonify from detector import FractureDetector import os app = Flask(__name__) detector = FractureDetector("models/best.pt") @app.route("/detect", methods=["POST"]) def detect(): data = request.get_json() image_path = data.get("image_path") if not image_path or not os.path.exists(image_path): return jsonify({"code": 400, "msg": "图片路径不存在"}), 400 boxes = detector.predict(image_path) return jsonify({"code": 0, "boxes": boxes}) @app.route("/health", methods=["GET"]) def health(): return jsonify({"status": "ok"}) if __name__ == "__main__": app.run(host="0.0.0.0", port=5000, debug=False)

启动服务：

python app.py

4.5 用 Python 把检测框可视化

调试阶段建议保存可视化图片，看检测框是否贴住真实的骨折区域。这个环节能快速暴露标注不准确、训练不充分等问题。

import cv2 def draw_boxes(image_path, boxes, output_path): img = cv2.imread(image_path) for item in boxes: x1, y1, x2, y2 = [int(v) for v in item["bbox"]] cv2.rectangle(img, (x1, y1), (x2, y2), (0, 0, 255), 2) label = f"{item['class']} {item['confidence']:.2f}" cv2.putText(img, label, (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255), 2) cv2.imwrite(output_path, img)

注意：OpenCV读取图片时通道顺序是 BGR，保存和显示前如果涉及和前端交互，需要统一图片格式与通道顺序，防止颜色偏蓝或偏红。

5. 基于 LLM 多模态大模型的骨折分析报告

5.1 为什么检测之后还需要大模型分析

YOLO 输出的是 “框 + 类别 + 置信度”，它回答的是“哪里异常，像不像骨折”，但不能回答“骨质边缘是否光滑”“骨折断端有无移位”“建议保守治疗还是手术干预”。这些判断需要更高级的语义推理能力。

多模态大模型可以直接输入图像和文本Prompt，返回自然语言描述。把 YOLO 裁剪出的局部区域交给大模型，让它聚焦重点区域分析，效果和Token消耗都比直接丢整张原图更可控。

需要明确一点：大模型的输出只是辅助参考，不能作为诊断依据。系统展示报告时必须备注“该报告由AI生成，仅供参考，请以专业医生诊断为准”。

5.2 Prompt 设计：决定分析质量的关键

同样的模型，Prompt 写得不同，分析结果质量差很多。针对骨折检测辅助分析场景，推荐使用结构化 Prompt，把检测结果作为额外上下文注入。

参考Prompt模板：

你是一名骨科影像分析助手。请基于以下X光影像的检测结果，对骨折区域进行客观描述。 检测结果： - 检测到的疑似骨折区域数量：{count} - 每个区域的类别和置信度：{boxes} 请按以下结构输出中文分析报告： 1. 影像所见：描述骨皮质连续性、骨折断端对位对线情况。 2. 骨折类型推测：根据影像特征推断横断、斜行、螺旋或粉碎性骨折。 3. 风险提示：指出可能存在的并发损伤或难以判断的区域。 4. 建议：给出进一步影像检查或随访建议。 注意： - 仅基于提供的影像特征做出判断，不要虚构患者病史。 - 如果影像质量不佳，明确说明分析结果存在不确定性。 - 输出内容应克制、客观，不使用绝对化诊断结论。

Prompt 里加入“仅基于影像特征”“说明不确定性”“克制客观”这几个约束，能显著降低大模型的幻觉概率，让输出更像一份合理的辅助分析，而不是一本正经地编造诊断。

5.3 大模型接入封装

调用大模型API时，需要用统一的封装将检测结果、裁剪图像和Prompt组装在一起。为了便于替换不同服务商，建议抽象为独立模块。

import base64 import requests class LLMAnalyzer: def __init__(self, api_url, api_key, model_name): self.api_url = api_url self.api_key = api_key self.model_name = model_name def analyze(self, image_path, detection_info): with open(image_path, "rb") as f: image_base64 = base64.b64encode(f.read()).decode("utf-8") prompt = self._build_prompt(detection_info) payload = { "model": self.model_name, "messages": [ { "role": "user", "content": [ {"type": "text", "text": prompt}, {"type": "image_url", "image_url": {"url": f"data:image/jpeg;base64,{image_base64}"}} ] } ], "temperature": 0.2 } headers = { "Content-Type": "application/json", "Authorization": f"Bearer {self.api_key}" } resp = requests.post(self.api_url, json=payload, headers=headers, timeout=60) resp.raise_for_status() return resp.json()["choices"][0]["message"]["content"] def _build_prompt(self, detection_info): return f"""你是一名骨科影像分析助手。请基于以下检测结果对骨折区域进行分析： 检测结果：{detection_info} 请按影像所见、骨折类型推测、风险提示、建议四个部分输出。"""

temperature=0.2是医学场景的合理选择。温度越低，输出越稳定保守，减少编造的可能；温度太高会让描述变得发散。

5.4 Python AI 服务中合并检测与分析能力

把检测和大模型分析放在同一个 Python 服务里，Spring Boot 只需要调用一个接口就能拿到完整结果，减少网络交互次数。

@app.route("/analyze", methods=["POST"]) def analyze(): data = request.get_json() image_path = data.get("image_path") if not image_path or not os.path.exists(image_path): return jsonify({"code": 400, "msg": "图片路径不存在"}), 400 boxes = detector.predict(image_path) if not boxes: return jsonify({ "code": 0, "boxes": [], "report": "未检测到明显的骨折区域。该结论基于AI自动分析，请结合临床资料判断。", "cropped_images": [] }) # 裁剪出骨折区域，用于多模态分析 crop_paths = [] img = cv2.imread(image_path) for i, item in enumerate(boxes): x1, y1, x2, y2 = [int(v) for v in item["bbox"]] crop = img[y1:y2, x1:x2] crop_path = f"crops/crop_{i}_{int(time.time())}.jpg" os.makedirs("crops", exist_ok=True) cv2.imwrite(crop_path, crop) crop_paths.append(crop_path) # 将第一个骨折区域送入大模型分析（也可拼接多区域） report = llm_analyzer.analyze(crop_paths[0], boxes) return jsonify({ "code": 0, "boxes": boxes, "crop_paths": crop_paths, "report": report })

裁剪图像时，建议在检测框基础上向外扩展 10% 到 20% 的边距，让大模型能看到骨折区域与周围组织的相对关系，分析结果更可靠。

6. Spring Boot 后端与 Vue 前端集成

6.1 Spring Boot 后端核心接口

后端需要提供影像上传、检测分析和历史记录查询三类接口。这里推荐一个RESTful接口设计：

pom.xml中需要引入Web、MyBatis-Plus、MySQL驱动等依赖。示例关键依赖如下，版本号请以实际项目为准：

<dependencies> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-web</artifactId> </dependency> <dependency> <groupId>com.baomidou</groupId> <artifactId>mybatis-plus-boot-starter</artifactId> <version>3.5.3.1</version> </dependency> <dependency> <groupId>com.mysql</groupId> <artifactId>mysql-connector-j</artifactId> <scope>runtime</scope> </dependency> </dependencies>

在application.yml中，除了配置数据库连接，还要配置AI服务的地址：

server: port: 8080 spring: datasource: url: jdbc:mysql://localhost:3306/fracture_db?useUnicode=true&characterEncoding=utf8&serverTimezone=Asia/Shanghai username: root password: your_password driver-class-name: com.mysql.cj.jdbc.Driver ai: service: url: http://localhost:5000

6.2 服务层调用链

Controller 层代码保持简洁，核心逻辑放到 Service 层。下面是一个分析接口的示例：

@Service public class RecordService { @Value("${ai.service.url}") private String aiServiceUrl; @Autowired private RecordMapper recordMapper; public AnalyzeResult analyze(Integer recordId) { // 1. 查询影像记录 MedicalRecord record = recordMapper.selectById(recordId); if (record == null) { throw new BusinessException("记录不存在"); } // 2. 调用 Python AI 服务 RestTemplate restTemplate = new RestTemplate(); Map<String, String> requestBody = new HashMap<>(); requestBody.put("image_path", record.getImagePath()); ResponseEntity<Map> response = restTemplate.postForEntity( aiServiceUrl + "/analyze", requestBody, Map.class); Map data = response.getBody(); List<Map<String, Object>> boxes = (List<Map<String, Object>>) data.get("boxes"); String report = (String) data.get("report"); // 3. 保存检测结果和报告到数据库 AnalysisResult result = new AnalysisResult(); result.setRecordId(recordId); result.setBoxesJson(JSONObject.toJSONString(boxes)); result.setReportText(report); analysisResultMapper.insert(result); return new AnalyzeResult(result); } }

这里的image_path字段存储的是服务器本地绝对路径。为了让前端展示图片，还需要提供一个静态资源映射接口，把本地上传目录暴露为URL。

6.3 前端上传页与结果页

前端使用 Vue 3 + Element Plus 实现。上传页的核心逻辑是把图片上传到 Spring Boot，并跳转到结果页。

UploadView.vue的核心片段：

<template> <el-card> <el-upload drag action="/api/record/upload" :on-success="handleUploadSuccess" accept="image/jpeg,image/png"> <el-icon><UploadFilled /></el-icon> <div>将 X 光影像拖到此处，或点击上传</div> </el-upload> </el-card> </template> <script setup> import { useRouter } from 'vue-router' import { ElMessage } from 'element-plus' const router = useRouter() function handleUploadSuccess(response) { if (response.code === 0) { ElMessage.success('上传成功，正在跳转分析页...') router.push({ path: `/result/${response.data.recordId}` }) } else { ElMessage.error(response.msg || '上传失败') } } </script>

ResultView.vue页面负责三件事：

1. 调用后端/api/record/{id}/analyze触发分析。
2. 获取分析结果后，使用 Canvas 在原图上绘制检测框。
3. 展示大模型生成的分析报告文本。

Canvas 绘制检测框的简化逻辑：

<script setup> import { ref, onMounted } from 'vue' import axios from 'axios' const canvasRef = ref(null) const imgRef = ref(null) const report = ref('') async function loadResult(id) { const { data } = await axios.get(`/api/record/${id}`) const img = new Image() img.src = data.imageUrl img.onload = () => { const ctx = canvasRef.value.getContext('2d') canvasRef.value.width = img.width canvasRef.value.height = img.height ctx.drawImage(img, 0, 0) data.boxes.forEach(box => { const [x1, y1, x2, y2] = box.bbox ctx.strokeStyle = '#FF0000' ctx.lineWidth = 3 ctx.strokeRect(x1, y1, x2 - x1, y2 - y1) ctx.fillStyle = '#FF0000' ctx.font = '16px sans-serif' ctx.fillText(`${box.class} ${box.confidence}`, x1, y1 - 10) }) } if (data.analyzeResult) { report.value = data.analyzeResult.reportText } } onMounted(() => loadResult(route.params.id)) </script>

注意：后端返回的图片URL如果跨域，Canvas 读取像素和绘制不会立即报错，但后续如果要做“导出带检测框的图片”功能，需要后端配置允许跨域或使用同源图片URL。

6.4 前端调用链整体说明

从点击“开始分析”到看到完整的报告，前端实际上经历了两次请求。第一次请求创建或获取检查记录，第二次请求执行分析并刷新结果。有的同学把分析和查询合并成一个长耗时接口，前端要等很久才能显示图片占位，体验不好。推荐先返回检测框结果再异步加载报告文本，也就是主动轮询或WebSocket推送。毕设项目使用轮询即可，每3秒查询一次分析状态。

7. 常见问题与排查思路

7.1 大模型调用失败或超时怎么办

生产环境的模型调用必须考虑失败情况。推荐在 Spring Boot 里做一层缓存：如果大模型分析失败，只展示 YOLO 检测结果和“AI分析暂不可用”提示，不影响主要流程。这样答辩演示时即使断网，也能用本地缓存数据完成展示。

7.2 没有GPU如何完成毕设

不是所有同学都有显卡。以下几种替代方案同样能完成毕设：

• 使用云GPU训练：Colab 免费版和Kaggle Notebook都可以训练 YOLO，每次会话有限时，但对小数据集足够了。
• 直接使用预训练权重：如果没有自己的数据集，可以下载开源的骨折检测权重做推理演示，论文中注明模型来源和局限性。
• 以小数据集微调：哪怕是80-100张图，用预训练权重微调也能得到一个可演示的模型，但论文需要诚实说明数据规模。
• CPU 训练但调低参数：CPU训练很慢，可以只训练10个epoch验证代码正确性，再把完整训练放到云端。

8. 最佳实践与工程建议

8.1 安全与合规边界

涉及医疗数据的项目，安全是最重要的。系统必须在数据层面和业务层面同时做好控制：

• 数据脱敏：医学影像存储前清除患者姓名、病案号等敏感信息，统一使用内部ID编号。
• 权限控制：不同角色区分访问范围。管理员可以查看所有记录，普通用户只能查看自己创建的记录。
• 合法授权：论文中要注明数据来源和授权情况，公开数据集需要遵循其License要求。
• 免责声明：前端页面底部和报告末尾都展示“AI辅助分析结果仅供参考，不构成医学诊断依据”等提示。

8.2 模型可解释性与评估意识

医学影像AI的一个重要评价维度是可解释性。论文如果只从指标角度夸模型效果，答辩很容易被问住。建议在系统里加入以下能力：

• 可视化检测框的同时，展示置信度数值。
• 大模型报告中注明“本次分析的不确定性”和“建议进一步检查项目”。
• 如果用 Grad-CAM 等热力图方法分析模型关注区域，可以单独做一个“模型可解释性”页面，展示热力图叠加效果。

8.3 后端接口设计与日志记录

Spring Boot 后端需要注意以下几点：

• 所有接口统一返回{ code, message, data }结构，方便前端统一处理异常。
• 使用@Slf4j记录关键操作日志：上传、分析开始、分析完成、AI服务调用失败。
• 对异常情况做兜底：AI服务不可用时，接口返回降级结果而不是直接抛异常。
• 数据库表字段建议包含：create_time、update_time、status、report_status，为报告生成状态流转留出空间。

8.4 图片存储方式建议

毕设系统不需要引入复杂的对象存储。推荐先保存到本地目录，使用UUID重命名图片，避免中文文件名和重复文件名带来的问题。如果需要提交到服务器部署，再考虑替换为MinIO或OSS。存储路径上要注意不能直接拼接用户输入，防止路径穿越等安全问题。

8.5 论文写法与答辩准备建议

系统做出来只是第一步，毕业设计论文和答辩同样重要。建议论文中的“系统实现”章节和本文结构保持一致：先介绍整体架构，再分别从 YOLO 检测模块、大模型分析模块、数据库设计、前端展示四部分展开。答辩时重点准备以下问题：

• 为什么选择 YOLO 而不是 Faster R-CNN、SSD？
• 检测框坐标如何处理？图像尺寸变化后坐标是否还能对齐？
• 大模型分析结果如何评估？有没有做过人工评测？
• 如果遇到误检和漏检，系统怎么规避？
• 系统离临床应用还有哪些差距？

这些问题在系统实现的过程中如果能提前思考并记录答案，答辩时会从容很多。

9. 总结与后续学习路线

到这里，一套“YOLO 目标检测 + LLM 多模态分析”的骨折检测系统已经完整搭建起来。核心收获可以概括成四点：第一，理解了目标检测模型和大模型在医疗影像分析中的分工边界；第二，掌握了把 Python 深度学习模型封装为微服务并集成到 Java Web 系统的标准流程；第三，学会了用结构化 Prompt 约束大模型输出，降低幻觉；第四，完整走过了一个毕设项目从数据、训练、模型评估到前后端联调的生命周期。

如果后续想继续深入，可以从以下几个方向入手：

• 用更精细的骨折分割模型（如 SA-Net、U-Net 变体）替换目标检测框，输出像素级骨折区域。
• 引入注意力机制和 Grad-CAM 热力图，增强论文中的可解释性分析。
• 在 Prompt 中加入医学知识库，让大模型生成结论时引用权威知识依据。
• 把系统从单体部署升级为 Docker Compose 多容器部署，写进论文“系统部署”章节会更有工程感。

医学影像 AI 这个方向的门槛不在于单一算法，而在于把算法、数据和业务场景串联成闭环。本文这套系统虽然定位是毕业设计，但架构思路已经是小型科研原型的标准形态。建议读者不要只停留在复现代码，把每个模块拆开研究“为什么这么设计”，收获会比一份“能运行的作业”大得多。

项目源码和详细部署文档整理好后会同步发布到资源仓库，需要的同学可以收藏这篇文章，后续会继续更新胸部X光肺炎检测、眼底图像病灶分析等类似项目教程，也可以留言沟通具体需求。