人工智能用于骨質(zhì)疏松癥機會性CT篩查的研究進展

【摘要】 隨著全球人口老齡化的加劇，越來越多人群被診斷為骨質(zhì)疏松癥，其特點是骨密度降低和骨微結(jié)構(gòu)退化，從而導(dǎo)致骨折風(fēng)險顯著增加，進一步增加患者的精神和經(jīng)濟負擔(dān)。而機會性篩查可在不增加患者經(jīng)濟、輻射負擔(dān)下定量監(jiān)測骨質(zhì)變化情況，近來受到越來越多的關(guān)注。人工智能技術(shù)在醫(yī)學(xué)影像診斷領(lǐng)域的應(yīng)用發(fā)展迅速，特別是對骨質(zhì)疏松癥患者的早期、特異性診斷和后續(xù)風(fēng)險評估具有重要的作用?；诖耍疚膶陙砣斯ぶ悄茉诠琴|(zhì)疏松癥患者機會性CT篩查中的研究進展進行綜述。

【關(guān)鍵詞】 人工智能 骨質(zhì)疏松癥 機會性篩查 計算機斷層掃描

Research Progress in Artificial Intelligence for Opportunistic CT Scanning for Osteoporosis/LIAO Ruikun， XIONG Hua. //Medical Innovation of China， 2025， 22（04）： -184

[Abstract] As the global population ages， more and more people are being diagnosed with osteoporosis（OP）， which is characterized by decreased bone mineral density and bone micro-architectural deterioration， leading to a significant increase in fracture risk and further increasing the mental and economic burden on patients. Opportunistic screening， which allows quantitative monitoring of bone quality changes without increasing the economic and radiological burden on patients， has recently received increasing attention. The application of artificial intelligence technology in the field of medical imaging diagnosis is developing rapidly， especially for the early， specific diagnosis and subsequent risk assessment of osteoporosis patients. This article reviews the recent research progress of artificial intelligence in opportunistic CT scanning of osteoporosis patients.

[Key words] Artificial intelligence Osteoporosis Opportunistic screening Computer tomography

First-author's address： Department of Radiology， Shapingba Hospital Affiliated to Chongqing University， Chongqing 400043， China

doi：10.3969/j.issn.1674-4985.2025.04.041

骨質(zhì)疏松癥作為一種全球性慢性疾病，其特征在于骨密度的顯著降低和骨微結(jié)構(gòu)的退化，導(dǎo)致骨骼變得脆弱易碎。這一疾病在老年人群尤其是絕經(jīng)后中老年婦女中尤為常見，隨著全球人口老齡化的加劇，預(yù)計到2050年患者人數(shù)將翻倍[1-3]。傳統(tǒng)診斷方法如雙能X射線吸收測量法（dual energy X-ray absorptiometry，DXA）雖廣泛使用，但存在局限性[4]。隨著計算機斷層掃描（computed tomography，CT）技術(shù)的發(fā)展，特別是定量計算機斷層掃描（quantitative computed tomography，QCT）技術(shù)，為骨質(zhì)疏松癥的診斷提供了更精確的骨骼三維結(jié)構(gòu)信息[5-6]。然而，額外的QCT檢查可能給患者帶來輻射、時間和經(jīng)濟負擔(dān)[7]。機會性篩查利用現(xiàn)有CT數(shù)據(jù)，通過QCT后處理軟件進行骨質(zhì)評估，無需額外輻射和患者負擔(dān)[8]。此外，人工智能（artificial intelligence，AI）技術(shù)，尤其是深度學(xué)習(xí)和機器學(xué)習(xí)（machine learning，ML）算法，在醫(yī)學(xué)影像分析領(lǐng)域展現(xiàn)出巨大潛力，其自動識別和評估骨骼密度和結(jié)構(gòu)的能力甚至超越了傳統(tǒng)方法[9]。本文綜述了近年來AI在骨質(zhì)疏松癥機會性CT篩查中的應(yīng)用現(xiàn)狀和未來趨勢，旨在為臨床工作提供一個全面的視角。

1 骨質(zhì)疏松的CT機會性篩查

CT機會性篩查是指在患者因其他醫(yī)療原因進行的常規(guī)CT檢查過程中，通過CT檢查而獲得的影像數(shù)據(jù)資料來評估骨密度和骨骼健康狀況。目前基于CT的骨質(zhì)疏松機會性篩查方法主要分為四大類，即異步外部校準QCT、無體模校準QCT、直接使用椎體CT值、CT X射線吸收法（CT X-ray absorptiometry，CTXA）[10-11]。

1.1 異步外部校準QCT

異步外部校準QCT是采用一種已知濃度和材料的校準體模（通常由羥基磷灰石或磷酸鉀制成），該體模在CT掃描中與患者同時或異步掃描以獲得校準數(shù)據(jù)。在異步外部校準中，校準體模的掃描可以在不同的時間點進行，而不必與患者的掃描同步。通過這種方法獲得的校準曲線用于將患者的CT圖像中的CT值轉(zhuǎn)換為骨礦物質(zhì)含量的估計值，從而評估骨密度。Brown等[12]在研究中比較了異步和常規(guī)定量計算機斷層掃描的差異性，尤其是圖像的偏差、異步方法和常規(guī)方法的方法等效性以及觀察者間的可變性，發(fā)現(xiàn)異步校準的QCT可提供與已建立的同步校準的QCT相當(dāng)?shù)慕Y(jié)果，同時在研究中提出異步校準的QCT它可能受到掃描設(shè)備性能變化的影響。

1.2 無體模校準QCT

無體模校準QCT不依賴外部校準體模，而是使用患者體內(nèi)的組織作為參考標準來評估骨密度。在這種方法中，通過在CT圖像中選擇代表不同密度的內(nèi)部組織（如肌肉和脂肪）區(qū)域，來建立一個校準曲線，將曲線與CT值轉(zhuǎn)換為骨量估計值。Prado等[13]在研究中使用無體模方法和先前建立的閾值來驗證椎體失效負荷閾值，從而推進骨折風(fēng)險預(yù)測的無體模方法。其研究結(jié)果表明基于無體模QCT的有限元分析（finite element analysis，F(xiàn)EA）可以進行前瞻性和回顧性研究，評估脊柱偶發(fā)椎體骨折風(fēng)險及其與脊柱曲率和/或骨折病因的關(guān)系，同時該研究結(jié)果進一步支持應(yīng)用基于無體模QCT的FEA建模來預(yù)測椎骨強度，表明該方法不受外部校準體模的限制，減少了對專用設(shè)備的依賴，但其準確性可能受到患者體內(nèi)組織變化的影響。

1.3 直接椎體CT值法

直接椎體CT值法是直接利用患者在進行其他原因的CT掃描時獲得的椎體圖像來評估骨密度。通過選取CT圖像上特定區(qū)域測量該區(qū)域的CT值，從而對骨密度達到初步的評估。Perrier-Cornet等[14]在研究中采用椎體CT值直接使用法，比較了腰1椎體中胸腹部及骨盆CT衍生的骨礦物質(zhì)密度（bone mineral density，BMD）結(jié)果與DXA測定下的結(jié)果，CT評估表明平均椎體腰1椎體CT值衰減（142.2±18.5），預(yù)測骨質(zhì)疏松性骨折的AUC為0.67，預(yù)測椎體骨折的AUC為0.69。椎體CT衰減測量的診斷性能是可以接受的。CT通過在常規(guī)CT掃描中評估椎骨骨折和骨密度，提供了對骨質(zhì)疏松癥的綜合機會性篩查。這種方法對于具有高骨質(zhì)疏松癥風(fēng)險的類風(fēng)濕關(guān)節(jié)炎患者具有較好的評估作用。該方法的優(yōu)點在于它不需要額外的掃描或輻射，可以在不影響原有診療流程的情況下為患者提供骨質(zhì)疏松癥篩查。但其受設(shè)備、參數(shù)、部位等多因素影響。

1.4 CTXA

CTXA是一種模擬傳統(tǒng)DXA的技術(shù)，它使用常規(guī)CT掃描數(shù)據(jù)來生成類似DXA的二維投影圖像。通過分析CT圖像中的X射線吸收差異來評估骨密度，其優(yōu)點在于可不額外增加輻射和經(jīng)濟成本。Ziemlewicz等[15]研究人員針對這一技術(shù)進行了研究，其研究中調(diào)查了靜脈造影劑增強對股骨頸CTXA T評分與DXA相比的影響，其結(jié)果顯示，DXA和CTXA之間具有良好的相關(guān)性（面積BMD和T分數(shù)均為r2=0.824），兩次測量之間沒有差異的趨勢，并且DXA T分數(shù)比CTXA高0.18個單位時出現(xiàn)小的偏差。CTXA具有區(qū)分正常與低骨礦物質(zhì)密度的靈敏度，為94.9％。為了在常規(guī)的造影后腹部盆腔CT掃描中進行機會性骨質(zhì)疏松癥篩查，CTXA產(chǎn)生與DXA相似的T評分。由于世界衛(wèi)生組織骨折風(fēng)險評估工具工具中現(xiàn)已包括股骨頸CTXA BMD測量，因此這種機會性方法可以幫助增加骨質(zhì)疏松癥的篩查。綜上，CTXA技術(shù)可以達到與DXA相當(dāng)?shù)脑u估價值，可作為機會性篩查的工具之一。

2 影像人工智能用于骨質(zhì)疏松的研究進展

2.1 影像學(xué)人工智能

在醫(yī)學(xué)影像學(xué)中，AI技術(shù)主要涉及利用先進的算法和計算模型，特別是深度學(xué)習(xí)和深度卷積神經(jīng)網(wǎng)絡(luò)，通過圖像分割、病灶標識、圖像增強、重建等應(yīng)用，來分析和解釋醫(yī)學(xué)影像數(shù)據(jù)。在骨質(zhì)疏松的AI研究領(lǐng)域，人工智能技術(shù)正逐步展現(xiàn)出其獨特的價值和潛力。如AI算法，尤其是深度學(xué)習(xí)模型，已被用于自動化骨密度評估。這些模型能夠從CT或DXA掃描中準確提取骨密度數(shù)據(jù)，從而準確的分級診斷骨質(zhì)疏松癥。如Lim等[16]學(xué)者開展的一項回顧性單中心初步研究中，他們采用了機器學(xué)習(xí)技術(shù)結(jié)合腹部和盆腔CT圖像的放射組學(xué)特征，對數(shù)百名患者的股骨骨質(zhì)疏松癥進行了預(yù)測分析。該研究的結(jié)果顯示，通過這種方法預(yù)測股骨骨質(zhì)疏松癥的準確性、特異性和陰性預(yù)測值均超過90%以上，表明了其在診斷股骨骨質(zhì)疏松癥方面具有顯著的有效性。這與傳統(tǒng)的手動評估相比，AI技術(shù)可以減少人為誤差，提高評估的一致性和準確性。骨質(zhì)疏松最大的并發(fā)癥是脆性骨折，對于骨折風(fēng)險的預(yù)測，AI同樣能發(fā)揮提供更全面的風(fēng)險評估，如Ulivieri等[17]通過研究評估了一種基于人工智能的脆性骨折預(yù)測模型，用于識別雙X射線吸收測定變量，這些變量能夠表征那些容易發(fā)生進一步骨折的患者。提示AI技術(shù)可用于骨質(zhì)疏松定量研究，進而預(yù)測骨折風(fēng)險的準確性。由此說明影像學(xué)人工智能對于骨質(zhì)疏松的診斷、評估以及預(yù)測的潛力巨大。

2.2 機器學(xué)習(xí)與骨質(zhì)疏松

目前人工智能常用機器學(xué)習(xí)對骨質(zhì)疏松進行篩查，其優(yōu)點為準確、高效、智能地對大數(shù)據(jù)樣本量進行評估，可從多中心、多參數(shù)構(gòu)建診斷、預(yù)測模型，對骨質(zhì)疏松進行定量分析。如Liu等[18]將機器學(xué)習(xí)應(yīng)用于臨床數(shù)據(jù)和CT圖像，構(gòu)建骨質(zhì)疏松分級機會篩查模型。提出了一個三層的分層模型，使用臨床數(shù)據(jù)（包括人口學(xué)特征和常規(guī)實驗室測試數(shù)據(jù)）和覆蓋腰椎的CT圖像而不是通過機器學(xué)習(xí)的DXA數(shù)據(jù)來檢測骨質(zhì)疏松癥。采用邏輯回歸（logistic regression，LR）、具有徑向基函數(shù)核的支持向量機、人工神經(jīng)網(wǎng)絡(luò)、隨機森林、極限梯度提升算法（extreme gradient boosting，XGBoost）和堆疊泛化集成學(xué)習(xí) 算法共六種機器學(xué)習(xí)算法作為分類器來評估模型的性能，此外，為了減少數(shù)據(jù)分區(qū)的影響，數(shù)據(jù)集被隨機分成訓(xùn)練集和測試集，分層抽樣重復(fù)五次。其結(jié)果顯示基于LR的分層模型在區(qū)分骨質(zhì)疏松癥和正常BMD個體方面表現(xiàn)出更好的性能。通過分析表明該模型能夠盡早發(fā)現(xiàn)骨質(zhì)疏松癥，從而預(yù)防骨質(zhì)疏松癥的嚴重并發(fā)癥。De Vries等[19]學(xué)者則開發(fā)了四個機器學(xué)習(xí)模型，并進行了比較，以預(yù)測先前患有骨折的患者未來發(fā)生嚴重骨質(zhì)疏松性骨折（major osteoporotic fracture，MOF）的風(fēng)險。通過使用Cox回歸，隨機生存森林和人工神經(jīng)網(wǎng)絡(luò)模型比較了用于預(yù)測MOF風(fēng)險的判別能力。其結(jié)果顯示對于Cox回歸，其為整個數(shù)據(jù)集中的一致性指數(shù)最高。在骨質(zhì)疏松癥亞組中，Cox回歸優(yōu)于隨機生存森林模型和人工神經(jīng)網(wǎng)絡(luò)模型。因此Cox回歸用于在此數(shù)據(jù)集上開發(fā)MOF風(fēng)險預(yù)測模型。通過機器學(xué)習(xí)，可開發(fā)不同類型的篩查、風(fēng)險預(yù)測模型，其研究價值是今后研究的重點方向。

2.3 紋理分析與骨質(zhì)疏松

影像組學(xué)，特別是紋理分析對于骨質(zhì)疏松的研究具有廣闊的前景。如Valentinitsch等[20]研究開發(fā)一種自動識別具有椎體骨折風(fēng)險的骨質(zhì)疏松癥患者的定量方法。創(chuàng)新性提出了一種使用多探測器CT圖像進行骨質(zhì)疏松癥的機會性篩查的自動流程，該流程結(jié)合了3D紋理特征和區(qū)域體積骨密度（volume bone mineral density，vBMD），其研究亮點顯示局部紋理和密度特征的組合比單獨使用全局vBMD更能區(qū)分有和沒有骨質(zhì)疏松性椎體骨折的患者，通過分析CT圖像的3D紋理特征和骨密度，能夠有效地區(qū)分出有椎體骨折風(fēng)險的患者。這為未來的骨質(zhì)疏松癥篩查提供了一種新的、自動化的診斷工具，有助于改善臨床治療和患者管理。Kawashima等[21]則探討了紋理分析在非增強頭部CT檢測骨質(zhì)疏松癥中的應(yīng)用價值，通過回顧性研究，分別從骨質(zhì)疏松患者和骨質(zhì)正?；颊叩钠綊哳^部CT上手動分割斜坡、雙側(cè)蝶骨和下頜骨并提取相應(yīng)的紋理特征，其研究結(jié)果顯示來自顱底和頜面骨內(nèi)多個部位的感興趣區(qū)域的特定紋理分析特征可以區(qū)分骨礦物質(zhì)密度正常的患者與骨質(zhì)疏松癥患者，該研究證明了紋理分析在識別頭部CT骨質(zhì)疏松癥方面的潛在效用，這可能有助于識別未接受傳統(tǒng)DXA篩查的患者。因此紋理分析對于人工智能應(yīng)用于骨質(zhì)疏松的診斷和檢測具有重要價值。

3 人工智能用于骨質(zhì)疏松CT機會性篩查的臨床研究

3.1 胸部CT與人工智能的機會性骨質(zhì)疏松癥篩查的臨床研究

在臨床研究中，研究人員探索了將AI應(yīng)用于胸部CT圖像，用以提高識別和評估骨質(zhì)疏松癥的可能性及準確性。通過人工智能算法能夠分析CT圖像中的骨骼結(jié)構(gòu)，通過識別骨密度和形態(tài)的變化來預(yù)測骨質(zhì)疏松癥的風(fēng)險。這種方法不僅可以提高診斷的準確性，還可以在患者進行胸部CT掃描時，無需額外的輻射或成本，就能進行骨質(zhì)疏松癥的篩查。Chen等[22]團隊開發(fā)了一種ML分割和放射組學(xué)紋理分析（radiomics texture analysis，RTA）的診斷工具用于骨質(zhì)疏松的篩查，通過自動分割模型從圖像分割模型中提取的放射組學(xué)特征開發(fā)了一個二級分類器，分類器的性能通過五重交叉驗證進行評估。結(jié)果顯示基于低劑量胸部CT掃描的ML分割和RTA相結(jié)合進行自動骨密度預(yù)測是一種可行的方法，對于肺部篩查期間的骨質(zhì)疏松癥篩查具有較高的價值。而Yang等[23]以胸部CT影像為基礎(chǔ)，利用AI測量肺癌篩查CT檢查和DXA患者所有胸椎和第一椎骨的衰減值，結(jié)果提示每個胸椎和第一腰椎的CT值隨著年齡的增長而下降，特別是在絕經(jīng)期婦女中，對骨質(zhì)減少或骨質(zhì)疏松癥具有較高的預(yù)測能力和診斷效果。經(jīng)臨床數(shù)據(jù)校正后，CT值每增加10 HU，骨質(zhì)減少或骨質(zhì)疏松的風(fēng)險分別降低32%～44%和61%～80%。且所有胸椎聯(lián)合診斷效能高于單椎。同樣提示胸部CT結(jié)合AI對骨質(zhì)減少或骨質(zhì)疏松的機會性篩查具有重要價值。Peng等[24]利用深度學(xué)習(xí)建立多中心的基于機會性胸部CT掃描的骨質(zhì)疏松癥分類和骨密度值預(yù)測模型的可行性，并使用獨立測試集驗證其泛化和診斷能力。數(shù)據(jù)采用多中心、多機型進行分析處理，通過基于深度學(xué)習(xí)的圖像分割模型結(jié)構(gòu)自動分割模型對骨小梁進行分割，利用密集連接卷積網(wǎng)絡(luò)建立三分類模型和骨密度值預(yù)測回歸模型，并對模型的性能參數(shù)進行了計算和評估。結(jié)果顯示預(yù)測值與骨密度值呈高度正相關(guān)，且呈顯著線性關(guān)系。因此利用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進行胸部機會性CT掃描，可以準確預(yù)測骨密度值并進行骨密度三分類診斷，可以減少專門骨密度檢測帶來的輻射風(fēng)險、經(jīng)濟消耗和時間消耗，擴大骨密度檢測范圍，具有廣闊的應(yīng)用前景。國內(nèi)鄭飛等[25]團隊探究AI輔助下的CT定量參數(shù)在預(yù)測骨質(zhì)疏松性椎體骨折預(yù)后中的價值，將樣本量分為病例組和對照組，研究比較了兩組AI中的CT定量參數(shù)，包括骨體積分數(shù)、骨小梁厚度、骨小梁間隙、結(jié)構(gòu)模型指數(shù)。其結(jié)果顯示骨質(zhì)疏松性椎體骨折患者的骨體積分數(shù)和骨小梁厚度低于對照組，而骨小梁間隙和結(jié)構(gòu)模型指數(shù)高于對照組，骨體積分數(shù)、骨小梁厚度、骨小梁間隙、結(jié)構(gòu)模型指數(shù)聯(lián)合用于診斷骨質(zhì)疏松性椎體骨折的診斷效能高于單一指標，復(fù)發(fā)患者的骨體積分數(shù)和骨小梁厚度與BMD呈正相關(guān)，而骨小梁間隙和結(jié)構(gòu)模型指數(shù)與BMD呈負相關(guān)。該研究表明，AI中CT定量參數(shù)對于骨質(zhì)疏松性椎體骨折的診斷和預(yù)后評估具有重要價值。通過AI技術(shù)的應(yīng)用，可以更精確地評估骨折風(fēng)險和復(fù)發(fā)可能性，為臨床提供更高效的影像學(xué)檢查方法。Zhu等[26]采用meta薈萃性分析了來自英文出版物系統(tǒng)中的CT機會篩查文獻檢索。該薈萃性分析顯示，使用CT掃描測量的閾值來機會性地識別骨質(zhì)疏松癥具有合理的綜合敏感度和特異度。因此，AI應(yīng)用于胸部CT機會性篩查對于骨質(zhì)疏松的檢出和預(yù)測具有較高的臨床應(yīng)用價值。

3.2 腹部、骨盆CT與人工智能的機會性骨質(zhì)疏松癥篩查的臨床研究

腹部CT通常用來評估腹部臟器的情況，如肝臟、胰腺、腎臟等。而腹部CT掃描范圍?？梢愿采w到骨盆和腰椎等區(qū)域，這些區(qū)域的骨密度也可以用來進行骨質(zhì)疏松癥的評估。隨著越來越多的人因各種原因進行腹部CT檢查，其CT圖像也被探索用于機會性骨質(zhì)疏松癥的篩查。如Sebro等[27]的研究結(jié)果顯示腹部和骨盆CT掃描中的骨骼CT衰減與DXA中BMD T評分以及DXA中骨小梁評分的測量結(jié)果具有相關(guān)性，表明腹部CT也可用于骨質(zhì)疏松癥的預(yù)測。此外，腹部CT掃描可以同時觀察到多個骨骼，如骨盆骨、股骨近端等，這些骨骼的CT衰減值與骨質(zhì)疏松癥的風(fēng)險有關(guān)。這些研究為臨床評估骨質(zhì)疏松的嚴重程度提供了一種更加快速和準確的新型影像診斷技術(shù)。國內(nèi)研究者汪洋等[28]利用單中心腹部CT影像組學(xué)特征進行乳腺癌相關(guān)骨質(zhì)疏松癥的機會性篩查，患者均在治療前行腹部CT和DXA檢查，從患者腰3椎體水平的CT圖像中提取了790個影像組學(xué)特征，通過組內(nèi)相關(guān)系數(shù)篩選出穩(wěn)定的特征，分為訓(xùn)練組和驗證組，訓(xùn)練組用于建立影像組學(xué)模型，驗證組用于評估模型的診斷價值。研究結(jié)果表明結(jié)合影像組學(xué)特征和DXA檢查的聯(lián)合診斷模型能夠提高臨床診斷的獲益。該研究成功建立了一個基于乳腺癌腹部CT影像組學(xué)特征的骨質(zhì)疏松癥篩查模型，且無需額外的檢查或輻射暴露，為臨床醫(yī)生提供了一個高效的工具，以便在乳腺癌治療前及時發(fā)現(xiàn)并干預(yù)骨質(zhì)疏松癥Alacreu等[29]采用AI技術(shù)評估在腫瘤患者中通過腹部CT掃描進行骨質(zhì)疏松癥早期檢測的可行性，使用DXA作為參考標準，通過腹部CT掃描測量了腰1、腰2、腰3和腰4椎體的軸向橫截面的椎體骨小梁的CT衰減值，研究結(jié)果顯示DXA定義的骨質(zhì)疏松癥患者的腰1至腰4各椎體水平的BMD值顯著低于其他患者，未校準的腰1中CT衰減閾值為160 HU時，敏感度超過90%，可用于區(qū)分骨質(zhì)疏松癥BMD，研究還對160 HU的閾值進行了外部驗證，提示該閾值具有高敏感度。其結(jié)論同樣提示用于其他原因獲得的腹部CT圖像可以在不增加輻射暴露或成本的情況下識別出具有骨質(zhì)疏松癥BMD的患者。對于腫瘤患者而言，其腹部CT的未校準腰1值比DXA能檢測出更多具有椎體壓縮性骨折的骨質(zhì)疏松癥患者。

綜上，AI技術(shù)應(yīng)用于腹部CT機會性篩查骨質(zhì)疏松是行之有效的，可作為傳統(tǒng)DXA篩查方法的有力補充。AI算法能夠有效地分析CT圖像，通過識別和量化椎體的骨密度和結(jié)構(gòu)特征，為臨床醫(yī)生提供關(guān)于患者骨質(zhì)狀況的重要信息。

3.3 前臂及手腕部CT與人工智能的機會性骨質(zhì)疏松癥篩查的臨床研究

通過手臂和手腕部CT對骨質(zhì)疏松進行機會性篩查是目前研究的新方向，Sebro等[30]提出使用機器學(xué)習(xí)通過手腕/前臂的CT掃描來進行骨質(zhì)疏松癥的機會性篩查，受試者對前臂、腕骨和掌骨進行體積分割以獲得每塊骨骼的平均CT衰減，并計算每個腕骨/前臂骨的CT衰減的相關(guān)性及其與DXA測量值的相關(guān)性，將受試者分為訓(xùn)練集和驗證集，評估了多變量支持向量機（multi-variable support vector machine，MSVM）在測試數(shù)據(jù)集中的性能。其結(jié)果顯示腕骨/前臂骨的每個CT衰減與DXA測量值之間存在正相關(guān)，在預(yù)測骨質(zhì)疏松癥方面的性能最佳，比其他模型以及橈骨33%（AUC=0.576）的AUC值更高，因此該學(xué)者研究結(jié)果證明通過手腕/前臂的CT掃描進行骨質(zhì)疏松癥的篩查是可行的，同時使用MSVM技術(shù)，比使用單個骨頭的CT衰減值更準確。盡管目前單獨對于手臂和手腕的機會性篩查相對較少，但其研究價值也是值得肯定的。

4 總結(jié)與展望

利用CT進行骨質(zhì)疏松癥篩查的機會性分析，尤其是通過AI技術(shù)可提高骨密度測量的準確性和效率。AI技術(shù)，特別是基于神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的方法，已經(jīng)被用于自動化的骨分割和識別。這些方法可以處理大量的圖像數(shù)據(jù)集，以訓(xùn)練系統(tǒng)準確識別骨骼。隨著CT技術(shù)的不斷進步，如錐形束CT、雙能量CT和光子計數(shù)CT等這些新技術(shù)為機會性CT分析提供了新的機會，但同時也帶來了新的挑戰(zhàn)。未來的研究方向是繼續(xù)優(yōu)化機會性CT骨質(zhì)分析的準確性，特別是內(nèi)部校準，這對于多中心、不同掃描機型之間的準確性尤為重要。同時，通過將內(nèi)部校準與雙能量CT和光子計數(shù)CT等新興技術(shù)整合，利用這些先進的成像技術(shù)進一步提高分析的準確性或成為未來的研究新焦點。

參考文獻

[1]李兵，尚奇，江睿軒，等.血紅蛋白與老年骨質(zhì)疏松性骨折的相關(guān)性分析[J].中國骨質(zhì)疏松雜志，2024，30（1）：27-31.

[2]段維，楊國慶，楊連.人工智能輔助診斷骨質(zhì)疏松及預(yù)測骨折的研究進展[J].中國醫(yī)藥導(dǎo)報，2024，21（4）：58-61.

[3]李琰，劉寧，王曉陽，等.基于高被引SCI論文中絕經(jīng)后骨質(zhì)疏松癥的文獻計量和可視化分析[J].中國組織工程研究，2024，28（35）：5681-5687.

[4]戴厚杰，王洪凱.骨質(zhì)疏松骨重塑分子機制的研究進展[J].中國老年學(xué)雜志，2024，44（6）：1515-1519.

[5]趙君祿，劉齋，韓康，等.基于定量CT的機會性骨質(zhì)疏松診斷：2種定量CT骨密度測量軟件臨床應(yīng)用比較分析[J].河北醫(yī)科大學(xué)學(xué)報，2024，45（1）：17-23.

[6] SUNG K H，CHOI Y，CHO G H，et al.Peripheral DXA measurement around ankle joint to diagnose osteoporosis as assessed by central DXA measurement[J].Skeletal Radiology，2018，47（8）：1111-1117.

[7] LOFFLER M T，JACOB A，VALENTINITSCH A，RIENMULLER A，et al.Improved prediction of incident vertebral fractures using opportunistic QCT compared to DXA[J].European Radiology，2019，29（9）：4980-4989.

[8]李凱，李新民，閆東，等.腰椎QCT與DXA對老年骨質(zhì)疏松的診斷差異[J].中華骨質(zhì)疏松和骨礦鹽疾病雜志，2017，10（3）：271-276.

[9]李燕，朱傳明，楊淑貞，等.定量CT骨密度測定在體檢人群中的臨床應(yīng)用[J].中國現(xiàn)代醫(yī)藥雜志，2022，24（7）：68-70.

[10]陳明月，張雪麗，湯光宇.基于CT的機會性篩查評估骨質(zhì)疏松癥的研究進展[J].國際醫(yī)學(xué)放射學(xué)雜志，2022，45（4）：459-465.

[11]楊金榮，譚偉，楊帆.基于胸部CT的肺外多器官機會性篩查：綜述與應(yīng)用前景[J].臨床放射學(xué)雜志，2023，42（12）：2006-2010.

[12] BROWN J K，TIMM W，BODEEN G，et al.Asynchronously calibrated quantitative bone densitometry[J].Journal of Clinical Densitometry，2017，20（2）：216-225.

[13] PRADO M，KHOSLA S，GIAMBINI H.Vertebral fracture risk thresholds from phantom-less quantitative computed tomography-based finite element modeling correlate to phantom-based outcomes[J].Journal of Clinical Densitometry，2024，27（1）：101465.

[14] PERRIER-CORNET J，OMOROU A Y，F(xiàn)AUNY M，et al.

Opportunistic screening for osteoporosis using thoraco-abdomino-pelvic CT-scan assessing the vertebral density in rheumatoid arthritis patients[J].Osteoporosis International，2019，30（6）：1215-1222.

[15] ZIEMLEWICZ T J，MACIEJEWSKI A，BINKLEY N，et al.Opportunistic quantitative CT bone mineral density measurement at the proximal femur using routine contrast-enhanced scans：direct comparison with DXA in 355 adults[J].Journal of Bone And Mineral Research，2016，31（10）：1835-1840.

[16] LIM H K，HA H I，PARK S Y，et al.Prediction of femoral osteoporosis using machine-learning analysis with radiomics features and abdomen-pelvic CT：a retrospective single center preliminary study[J].PLoS One，2021，16（3）：1-14.

[17] ULIVIERI F M，RINAUDO L，PIODI L P，et al.Bone strain index as a predictor of further vertebral fracture in osteoporotic women：an artificial intelligence-based analysis[J/OL].PLoS One，2021，16（2）：e0245967（2021-02-08）[2024-05-28].

https：//pubmed.ncbi.nlm.nih.gov/33556061/.DOI： 10.1371/journal.pone.0245967.

[18] LIU L，SI M，MA H，et al.A hierarchical opportunistic screening model for osteoporosis using machine learning applied to clinical data and CT images[J].BMC Bioinformatics，2022，23（1）：1-15.

[19] DE VRIES B C S，HEGEMAN J H，NIJMEIJER W，et al.

Comparing three machine learning approaches to design a risk assessment tool for future fractures：predicting a subsequent major osteoporotic fracture in fracture patients with osteopenia and osteoporosis[J].Osteoporosis International，2021，32（3）：437-449.

[20] VALENTINITSCH A，TREBESCHI S，KAESMACHER J，et al.Opportunistic osteoporosis screening in multi-detector CT images via local classification of textures[J].Osteoporosis International，2019，30（6）：1275-1285.

[21] KAWASHIMA Y，F(xiàn)UJITA A，BUCH K，et al.Using texture analysis of head CT images to differentiate osteoporosis from normal bone density[J].European Journal of Radiology，2019，116：212-218.

[22] CHEN Y C，LI Y T，KUO P C，et al.Automatic segmentation and radiomic texture analysis for osteoporosis screening using chest low-dose computed tomography[J].European Radiology，2023，33（7）：5097-5106.

[23] YANG J R，LIAO M，WANG Y L，et al.Opportunistic osteoporosis screening using chest-CT with artificial intelligence[J].Osteoporosis International，2022，33（12）：2547-2561.

[24] PENG T，ZENG X H，LI Y，et al.A study on whether deep learning models based on CT images for bone density classification and prediction can be used for opportunistic osteoporosis screening[J].Osteoporosis International，2024，35（1）：117-128.

[25]鄭飛，趙博，高姣靜，等.人工智能CT定量參數(shù)預(yù)測骨質(zhì)疏松性椎體骨折預(yù)后的價值[J].臨床誤診誤治，2023，36（3）：134-138.

[26] ZHU Y Q，TRIPHURIDET N，YIP R，et al.Opportunistic CT screening of osteoporosis on thoracic and lumbar spine：a meta-analysis[J].Clinical Imaging，2021，80：382-390.

[27] SEBRO R，DE LA GARZA-RAMOS C.Opportunistic screening for osteoporosis and osteopenia from CT scans of the abdomen and pelvis using machine learning[J].European Radiology，2023，33（3）：1812-1823.

[28]汪洋，張聯(lián)合.腹部影像組學(xué)對乳腺癌相關(guān)骨質(zhì)疏松機會性篩查的研究[J].中國醫(yī)學(xué)計算機成像雜志，2023，29（5）：560-566.

[29] ALACREU E，MORATALL D，ARANA E.Opportunistic screening for osteoporosis by routine CT in southern Europe[J].Osteoporosis International，2017，28（3）：983-990.

[30] SEBRO R，DE LA GARZA-RAMOS C.Machine learning for opportunistic screening for osteoporosis from CT Scans of the wrist and forearm[J].Diagnostics（Basel），2022，12（3）：691.

（收稿日期：2024-06-17） （本文編輯：田婧）